論文の概要: Joint Symmetry Detection and Shape Matching for Non-Rigid Point Cloud

• arxiv url: http://arxiv.org/abs/2112.02713v1
• Date: Sun, 5 Dec 2021 23:49:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 14:28:03.385229
• Title: Joint Symmetry Detection and Shape Matching for Non-Rigid Point Cloud
• Title（参考訳）: 非剛性点雲のジョイント対称性検出と形状マッチング
• Authors: Abhishek Sharma and Maks Ovsjanikov
• Abstract要約: 本稿では,一対の形状のペアマップだけでなく,同時に自己対称性を学習する新しいフレームワークを提案する。 我々のキーとなる考え方は、自己対称性写像とペアワイズ写像を、両者に共同制約を与える正規化項を通して結合することである。 提案手法を複数のベンチマークで検証し,両タスクにおいて多くの競争的ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 36.85782408336389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the success of deep functional maps in non-rigid 3D shape matching, there exists no learning framework that models both self-symmetry and shape matching simultaneously. This is despite the fact that errors due to symmetry mismatch are a major challenge in non-rigid shape matching. In this paper, we propose a novel framework that simultaneously learns both self symmetry as well as a pairwise map between a pair of shapes. Our key idea is to couple a self symmetry map and a pairwise map through a regularization term that provides a joint constraint on both of them, thereby, leading to more accurate maps. We validate our method on several benchmarks where it outperforms many competitive baselines on both tasks.
• Abstract（参考訳）: 非剛体3次元形状マッチングにおける深い関数写像の成功にもかかわらず、自己対称性と形状マッチングを同時にモデル化する学習フレームワークは存在しない。 これは対称性ミスマッチによる誤差が非剛体形状マッチングにおける大きな課題であるにもかかわらずである。 本稿では,一対の形状間のペアマップと自己対称性を同時に学習する新しい枠組みを提案する。 私たちのキーとなる考え方は、正則化項を通して自己対称性写像とペアワイズ写像を結合し、両者に共同制約を与え、より正確な写像をもたらすことである。 提案手法を複数のベンチマークで検証し,両タスクにおいて多くの競争的ベースラインを上回ります。

関連論文リスト

• 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 Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity Priors [52.646396621449]
  G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。 学習形態の集合に親和性グラフを自己教師型で構築する。 近年の形状対応ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2022-12-06T12:09:24Z)
• Unsupervised Deep Multi-Shape Matching [15.050801537501462]
  3次元形状マッチングは、コンピュータビジョンとコンピュータグラフィックスにおける長年の問題である。 本稿では, サイクル一貫性のあるマルチマッチングを実現するための, 深層多形マッチング手法を提案する。 提案手法は、いくつかの挑戦的なベンチマークデータセットに対して、最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-07-20T01:22:08Z)
• Deep Confidence Guided Distance for 3D Partial Shape Registration [14.315501760755609]
  部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。 本稿では,信頼誘導距離ネットワーク(CGD-net)を紹介し,点埋め込みと点雲間の空間距離との学習可能な類似性を融合させる。
  論文  参考訳（メタデータ） (2022-01-27T08:40:05Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
  本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。 我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
  論文  参考訳（メタデータ） (2021-10-06T18:09:13Z)

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。