論文の概要: Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence

• arxiv url: http://arxiv.org/abs/2108.11609v1
• Date: Thu, 26 Aug 2021 07:07:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 14:11:31.697714
• Title: Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence
• Title（参考訳）: テンプレートレス形状対応のための教師なし密度変形埋め込みネットワーク
• Authors: Ronghan Chen, Yang Cong, Jiahua Dong
• Abstract要約: 現在のディープラーニングベースの手法では、ポイント単位の翻訳を学習するために、高密度アノテーションの監督が必要である。 本研究では,密集した局所特徴から非剛体形状間の変形を予測できる新しい非教師なし変形埋め込みネットワーク(UD2E-Net)を開発した。 我々のUD2E-Netは、ファウストインターチャレンジで24%、ファウストイントラチャレンジで13%、教師なし手法で24%、最先端の非教師なし手法より優れています。
• 参考スコア（独自算出の注目度）: 18.48814403488283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape correspondence from 3D deformation learning has attracted appealing academy interests recently. Nevertheless, current deep learning based methods require the supervision of dense annotations to learn per-point translations, which severely overparameterize the deformation process. Moreover, they fail to capture local geometric details of original shape via global feature embedding. To address these challenges, we develop a new Unsupervised Dense Deformation Embedding Network (i.e., UD^2E-Net), which learns to predict deformations between non-rigid shapes from dense local features. Since it is non-trivial to match deformation-variant local features for deformation prediction, we develop an Extrinsic-Intrinsic Autoencoder to frst encode extrinsic geometric features from source into intrinsic coordinates in a shared canonical shape, with which the decoder then synthesizes corresponding target features. Moreover, a bounded maximum mean discrepancy loss is developed to mitigate the distribution divergence between the synthesized and original features. To learn natural deformation without dense supervision, we introduce a coarse parameterized deformation graph, for which a novel trace and propagation algorithm is proposed to improve both the quality and effciency of the deformation. Our UD^2E-Net outperforms state-of-the-art unsupervised methods by 24% on Faust Inter challenge and even supervised methods by 13% on Faust Intra challenge.
• Abstract（参考訳）: 近年,3次元変形学習からの形状対応が注目を集めている。 しかしながら、現在のディープラーニングベースの手法では、ポイント単位の翻訳を学習するために、密度の高いアノテーションを監督する必要がある。 さらに、グローバル特徴埋め込みによって元の形状の局所的な幾何学的詳細を捉えられなかった。 これらの課題に対処するために,非剛性形状間の変形を局所的特徴から予測する新しい非教師付き高密度変形埋め込みネットワーク (ud^2e-net) を開発した。 変形予測のために変形不変な局所特徴を整合させることは自明ではないので、frst に外部幾何学的特徴をソースから内在座標へ共有正準形状に符号化し、デコーダは対応する対象特徴を合成する。 さらに、合成された特徴と原特徴との分布ばらつきを軽減するために、有界な最大平均誤差損失を発生させる。 自然変形を密接な監督なく学習するために,新しいトレース・伝播アルゴリズムを提案する粗パラメータ化変形グラフを導入し,変形の質と有効性を改善する。 ud^2e-netは,faust inter challengeでは24%,faust intra challengeでは13%,state-of-the-art unsupervised法を24%上回った。

関連論文リスト

• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• TextDeformer: Geometry Manipulation using Text Guidance [37.02412892926677]
  本稿では,テキストプロンプトのみで案内される入力三角形メッシュの変形を生成する手法を提案する。 私たちのフレームワークは、CLIPやDINOといった強力なトレーニング済み画像エンコーダとジオメトリを接続するために、微分可能なレンダリングに依存しています。 この制限を克服するために、我々はジャコビアンを通してメッシュの変形を表現し、グローバルでスムーズな方法で変形を更新する。
  論文  参考訳（メタデータ） (2023-04-26T07:38:41Z)
• Neural Shape Deformation Priors [14.14047635248036]
  本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
  論文  参考訳（メタデータ） (2022-10-11T17:03:25Z)
• 3D Unsupervised Region-Aware Registration Transformer [13.137287695912633]
  ディープニューラルネットワークによるロバストポイントクラウド登録モデルを学習することが、強力なパラダイムとして浮上した。 自己教師型3次元形状再構成損失を伴って入力形状を異なる領域に分割できる3次元領域分割モジュールの設計を提案する。 実験により,我々の3D-URRTは,様々なベンチマークデータセットよりも優れた登録性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-10-07T15:06:52Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for 3D Point Clouds [48.22275177437932]
  本稿では,3次元形状間の密接な対応を点雲形式で計算する問題に対処する。 CorrNet3Dは、教師なしでエンドツーエンドのディープラーニングベースのフレームワークです。
  論文  参考訳（メタデータ） (2020-12-31T14:55:51Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。