論文の概要: Frame Averaging for Equivariant Shape Space Learning
- arxiv url: http://arxiv.org/abs/2112.01741v1
- Date: Fri, 3 Dec 2021 06:41:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 02:28:53.431019
- Title: Frame Averaging for Equivariant Shape Space Learning
- Title（参考訳）: 等変形状空間学習のためのフレーム平均化
- Authors: Matan Atzmon, Koki Nagano, Sanja Fidler, Sameh Khamis, Yaron Lipman
- Abstract要約: 形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
- 参考スコア（独自算出の注目度）: 85.42901997467754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The task of shape space learning involves mapping a train set of shapes to
and from a latent representation space with good generalization properties.
Often, real-world collections of shapes have symmetries, which can be defined
as transformations that do not change the essence of the shape. A natural way
to incorporate symmetries in shape space learning is to ask that the mapping to
the shape space (encoder) and mapping from the shape space (decoder) are
equivariant to the relevant symmetries.
In this paper, we present a framework for incorporating equivariance in
encoders and decoders by introducing two contributions: (i) adapting the recent
Frame Averaging (FA) framework for building generic, efficient, and maximally
expressive Equivariant autoencoders; and (ii) constructing autoencoders
equivariant to piecewise Euclidean motions applied to different parts of the
shape. To the best of our knowledge, this is the first fully piecewise
Euclidean equivariant autoencoder construction. Training our framework is
simple: it uses standard reconstruction losses and does not require the
introduction of new losses. Our architectures are built of standard (backbone)
architectures with the appropriate frame averaging to make them equivariant.
Testing our framework on both rigid shapes dataset using implicit neural
representations, and articulated shape datasets using mesh-based neural
networks show state-of-the-art generalization to unseen test shapes, improving
relevant baselines by a large margin. In particular, our method demonstrates
significant improvement in generalizing to unseen articulated poses.
- Abstract（参考訳）: 形状空間学習の課題は、列車の形状の集合を、優れた一般化特性を持つ潜在表現空間にマッピングすることである。
しばしば、現実世界の形状の集合は対称性を持ち、形の本質を変えない変換として定義することができる。
形状空間学習に対称性を組み込む自然な方法は、形状空間への写像(エンコーダ)と形状空間からの写像(デコーダ)が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
(i)最近のフレーム平均化(FA)フレームワークを適用して、汎用的で効率的で、最大表現力に富んだ同変オートエンコーダを構築する。
(ii)形状の異なる部分に適用される分割ユークリッド運動に同値なオートエンコーダを構築すること。
私たちの知る限りでは、これは最初の完全区分的ユークリッド同変オートエンコーダ構成である。
フレームワークのトレーニングは単純で、標準的な再構築損失を使用し、新しい損失の導入を必要としない。
私たちのアーキテクチャは標準(バックボーン)アーキテクチャで構成されています。
暗黙的なニューラル表現を用いた厳密な形状データセットとメッシュベースのニューラルネットワークを用いた調音された形状データセットの両方でフレームワークをテストすると、最先端の試験形状への一般化が示され、関連するベースラインを大きなマージンで改善する。
特に,本手法は,目立たないポーズへの一般化において顕著な改善を示す。
関連論文リスト
- Tensor Frames -- How To Make Any Message Passing Network Equivariant [15.687514300950813]
等価なメッセージパッシングアーキテクチャを構築するための新しいフレームワークを提案する。
我々は、点雲上の通常のベクトル回帰について、最先端の結果を生成する。
論文 参考訳（メタデータ） (2024-05-24T09:41:06Z) - AdaContour: Adaptive Contour Descriptor with Hierarchical Representation [52.381359663689004]
既存の角度ベースの輪郭記述子は、星以外の形状の損失表現に悩まされる。
AdaConは、他のディスクリプタよりも正確に形を表現できる。
論文 参考訳（メタデータ） (2024-04-12T07:30:24Z) - ShapeMatcher: Self-Supervised Joint Shape Canonicalization,
Segmentation, Retrieval and Deformation [47.94499636697971]
本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。
ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
論文 参考訳（メタデータ） (2023-11-18T15:44:57Z) - NeuForm: Adaptive Overfitting for Neural Shape Editing [67.16151288720677]
我々は,各形状領域に最も適した表現を適応的に使用することにより,過度に適合した表現と一般化可能な表現の両方の利点を組み合わせるために,NEUFORMを提案する。
椅子やテーブル,ランプなど,人間が設計した形状のパーツの再構成に成功した編集を実演する。
2つの最先端のコンペティタを比較し、その結果の妥当性と忠実さに関して、明確な改善を実証する。
論文 参考訳（メタデータ） (2022-07-18T19:00:14Z) - Learning Symmetric Embeddings for Equivariant World Models [9.781637768189158]
入力空間(例えば画像)を符号化する学習対称埋め込みネットワーク(SEN)を提案する。
このネットワークは、同変のタスクネットワークでエンドツーエンドにトレーニングして、明示的に対称な表現を学ぶことができる。
実験により、SENは複素対称性表現を持つデータへの同変ネットワークの適用を促進することを示した。
論文 参考訳（メタデータ） (2022-04-24T22:31:52Z) - Shape-Pose Disentanglement using SE(3)-equivariant Vector Neurons [59.83721247071963]
本研究では,点雲を標準形状表現に符号化するための教師なし手法を提案する。
エンコーダは安定で一貫性があり、形状のエンコーダは純粋にポーズ不変である。
抽出された回転と変換は、同じクラスの異なる入力形状を共通の標準ポーズに意味的に整合させることができる。
論文 参考訳（メタデータ） (2022-04-03T21:00:44Z) - Augmenting Implicit Neural Shape Representations with Explicit
Deformation Fields [95.39603371087921]
入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。
我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
論文 参考訳（メタデータ） (2021-08-19T22:07:08Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。