論文の概要: Neural Fields as Learnable Kernels for 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2111.13674v1
• Date: Fri, 26 Nov 2021 18:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 16:37:39.790790
• Title: Neural Fields as Learnable Kernels for 3D Reconstruction
• Title（参考訳）: 3次元再構成のための学習可能なカーネルとしてのニューラルフィールド
• Authors: Francis Williams, Zan Gojcic, Sameh Khamis, Denis Zorin, Joan Bruna, Sanja Fidler, Or Litany
• Abstract要約: 本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。 本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
• 参考スコア（独自算出の注目度）: 101.54431372685018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Neural Kernel Fields: a novel method for reconstructing implicit 3D shapes based on a learned kernel ridge regression. Our technique achieves state-of-the-art results when reconstructing 3D objects and large scenes from sparse oriented points, and can reconstruct shape categories outside the training set with almost no drop in accuracy. The core insight of our approach is that kernel methods are extremely effective for reconstructing shapes when the chosen kernel has an appropriate inductive bias. We thus factor the problem of shape reconstruction into two parts: (1) a backbone neural network which learns kernel parameters from data, and (2) a kernel ridge regression that fits the input points on-the-fly by solving a simple positive definite linear system using the learned kernel. As a result of this factorization, our reconstruction gains the benefits of data-driven methods under sparse point density while maintaining interpolatory behavior, which converges to the ground truth shape as input sampling density increases. Our experiments demonstrate a strong generalization capability to objects outside the train-set category and scanned scenes. Source code and pretrained models are available at https://nv-tlabs.github.io/nkf.
• Abstract（参考訳）: 本稿では,学習したカーネルリッジ回帰に基づく暗黙の3次元形状を再構成する新しい手法であるneural kernel fieldsを提案する。 本手法は,3次元物体と大きなシーンを疎明な方向から再構成し,ほぼ精度の低下を伴わずにトレーニングセット外の形状カテゴリを再構築する手法である。 提案手法の中核となる洞察は,選択したカーネルが適切な帰納バイアスを持つ場合,カーネル手法が形状の再構築に極めて有効であるということである。 これにより,(1)データからカーネルパラメータを学習するバックボーンニューラルネットワーク,(2)学習したカーネルを用いて,単純な正定値線形系を解いて,オンザフライ入力点に適合するカーネルリッジ回帰という2つの問題に形状再構成の問題を分解する。 この因子化の結果,入力サンプリング密度が増大するにつれて基底真理形状に収束する補間挙動を維持しつつ,スパース点密度下でのデータ駆動手法の利点を得ることができた。 実験では,列車のカテゴリー外の物体とスキャンされたシーンに対して,強い一般化能力を示す。 ソースコードと事前訓練されたモデルはhttps://nv-tlabs.github.io/nkf.comで入手できる。

関連論文リスト

• Neural Kernel Surface Reconstruction [80.51581494300423]
  本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。 我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
  論文  参考訳（メタデータ） (2023-05-31T06:25:18Z)
• Machine learning algorithms for three-dimensional mean-curvature computation in the level-set method [0.0]
  レベルセット法のためのデータ駆動平均曲率解法を提案する。 提案方式は, 現在の粒子界面再構成よりも高精度な平均曲率推定を行うことができる。
  論文  参考訳（メタデータ） (2022-08-18T20:19:22Z)
• Learning "best" kernels from data in Gaussian process regression. With application to aerodynamics [0.4588028371034406]
  本稿では,ガウス過程の回帰/クリギングサロゲートモデリング手法におけるカーネルの選択/設計アルゴリズムを紹介する。 アルゴリズムの最初のクラスはカーネルフローであり、機械学習の分類の文脈で導入された。 アルゴリズムの第2のクラスはスペクトル核リッジ回帰と呼ばれ、近似される関数のノルムが最小となるような「最良の」カーネルを選択することを目的としている。
  論文  参考訳（メタデータ） (2022-06-03T07:50:54Z)
• NeuralEF: Deconstructing Kernels by Deep Neural Networks [47.54733625351363]
  従来のNystr"om式に基づく非パラメトリックなソリューションはスケーラビリティの問題に悩まされる。 最近の研究はパラメトリックなアプローチ、すなわち固有関数を近似するためにニューラルネットワークを訓練している。 教師なしおよび教師なしの学習問題の空間に一般化する新たな目的関数を用いて,これらの問題を解くことができることを示す。
  論文  参考訳（メタデータ） (2022-04-30T05:31:07Z)
• Neural Networks as Kernel Learners: The Silent Alignment Effect [86.44610122423994]
  遅延トレーニング体制におけるニューラルネットワークは、カーネルマシンに収束する。 これは、サイレントアライメント(サイレントアライメント)という現象のためである。 また、非白データは無声アライメント効果を弱めることを示した。
  論文  参考訳（メタデータ） (2021-10-29T18:22:46Z)
• DiGS : Divergence guided shape implicit neural representation for unoriented point clouds [36.60407995156801]
  形状暗黙的神経表現(INR)は近年,形状解析や再構成作業に有効であることが示されている。 本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T02:10:03Z)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Neural Splines: Fitting 3D Surfaces with Infinitely-Wide Neural Networks [61.07202852469595]
  本稿では,無限幅浅部ReLUネットワークから生じるランダムな特徴カーネルをベースとした3次元表面再構成手法であるNeural Splinesを提案する。 提案手法は,最近のニューラルネットワーク技術より優れ,ポアソン表面再構成に広く用いられている。
  論文  参考訳（メタデータ） (2020-06-24T14:54:59Z)

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。