論文の概要: Representing Shape Collections with Alignment-Aware Linear Models

• arxiv url: http://arxiv.org/abs/2109.01605v1
• Date: Fri, 3 Sep 2021 16:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 15:10:45.183707
• Title: Representing Shape Collections with Alignment-Aware Linear Models
• Title（参考訳）: アライメントアウェアリニアモデルによる形状コレクションの表現
• Authors: Romain Loiseau, Tom Monnier, Lo\"ic Landrieu, Mathieu Aubry
• Abstract要約: 3次元点雲の古典的表現を線形形状モデルとして再考する。 私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
• 参考スコア（独自算出の注目度）: 17.635846912560627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we revisit the classical representation of 3D point clouds as linear shape models. Our key insight is to leverage deep learning to represent a collection of shapes as affine transformations of low-dimensional linear shape models. Each linear model is characterized by a shape prototype, a low-dimensional shape basis and two neural networks. The networks take as input a point cloud and predict the coordinates of a shape in the linear basis and the affine transformation which best approximate the input. Both linear models and neural networks are learned end-to-end using a single reconstruction loss. The main advantage of our approach is that, in contrast to many recent deep approaches which learn feature-based complex shape representations, our model is explicit and every operation occurs in 3D space. As a result, our linear shape models can be easily visualized and annotated, and failure cases can be visually understood. While our main goal is to introduce a compact and interpretable representation of shape collections, we show it leads to state of the art results for few-shot segmentation.
• Abstract（参考訳）: 本稿では,3次元点雲の古典表現を線形形状モデルとして再検討する。 我々の重要な洞察は、深層学習を利用して、低次元線形形状モデルのアフィン変換として形状の集合を表現することである。 各線形モデルは、形状プロトタイプ、低次元形状ベースおよび2つのニューラルネットワークによって特徴づけられる。 ネットワークは点雲を入力とし、線形基底における形状の座標と入力を最も近似したアフィン変換を予測する。 線形モデルとニューラルネットワークは、単一の再構成損失を使用してエンドツーエンドに学習される。 我々のアプローチの主な利点は、特徴に基づく複雑な形状表現を学習する最近の多くのディープアプローチとは対照的に、我々のモデルは明示的であり、全ての操作は3次元空間で起こることである。 その結果,線形形状モデルを容易に可視化・注釈化でき,障害事例を視覚的に理解することが可能となった。 本研究の主な目的は,形状コレクションのコンパクトかつ解釈可能な表現の導入である。

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Few-shot Shape Recognition by Learning Deep Shape-aware Features [39.66613852292122]
  サンプル1枚または数枚のみのオブジェクト形状を認識するために,FSSD ( fewshot shape descriptor) を提案する。 我々はFSSDに埋め込みモジュールを用いて変換不変形状の特徴を抽出する。 第3に,形状マスクとエッジの監視を含むデコードモジュールを提案し,元の形状特徴と再構成形状特徴を整列する。
  論文  参考訳（メタデータ） (2023-12-03T08:12:23Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)
• Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
  ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。 自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。 我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
  論文  参考訳（メタデータ） (2020-03-14T00:48:34Z)

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。