Fugu-MT 論文翻訳(概要): Generate Point Clouds with Multiscale Details from Graph-Represented Structures

論文の概要: Generate Point Clouds with Multiscale Details from Graph-Represented Structures

arxiv url: http://arxiv.org/abs/2112.06433v3
Date: Mon, 6 May 2024 12:18:35 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 03:57:05.052855
Title: Generate Point Clouds with Multiscale Details from Graph-Represented Structures
Title（参考訳）: グラフ表現構造を用いた複数スケールの点雲の生成
Authors: Ximing Yang, Zhibo Zhang, Zhengfu He, Cheng Jin,
Abstract要約: マルチスケール構造グラフ (Multiscale Structure Graph:MSG) と呼ばれるグラフに基づく構造表現を提案する。局所構造の類似したパターンは、異なるスケール、位置、角度で見ることができる。地域構造パターンから学んだ知識は,他の類似したパターンに移行する。
参考スコア（独自算出の注目度）: 12.83731952416427
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As details are missing in most representations of structures, the lack of controllability to more information is one of the major weaknesses in structure-based controllable point cloud generation. It is observable that definitions of details and structures are subjective. Details can be treated as structures on small scales. To represent structures in different scales at the same time, we present a graph-based representation of structures called the Multiscale Structure Graph (MSG). Given structures in multiple scales, similar patterns of local structures can be found at different scales, positions, and angles. The knowledge learned from a regional structure pattern shall be transferred to other similar patterns. An encoding and generation mechanism, namely the Multiscale Structure-based Point Cloud Generator (MSPCG) is proposed, which can simultaneously learn point cloud generation from local patterns with miscellaneous spatial properties. The proposed method supports multiscale editions on point clouds by editing the MSG. By generating point clouds from local structures and learning simultaneously in multiple scales, our MSPCG has better generalization ability and scalability. Trained on the ShapeNet, our MSPCG can generate point clouds from a given structure for unseen categories and indoor scenes. The experimental results show that our method significantly outperforms baseline methods.
Abstract（参考訳）: 多くの構造表現に詳細が欠けているため、より多くの情報に対する制御可能性の欠如は、構造ベースの制御可能なポイントクラウド生成における大きな弱点の1つである。詳細と構造の定義が主観的であることは観察可能である。詳細は小規模な構造として扱うことができる。異なるスケールの構造を同時に表現するために,マルチスケール構造グラフ (Multiscale Structure Graph, MSG) と呼ばれるグラフベースの構造表現を提案する。複数のスケールの構造が与えられた場合、局所構造の類似したパターンは異なるスケール、位置、角度で見ることができる。地域構造パターンから学んだ知識は,他の類似したパターンに移行する。マルチスケール構造に基づくポイントクラウドジェネレータ(MSPCG)の符号化と生成機構を提案する。提案手法は,MSGを編集することで,ポイントクラウド上のマルチスケールエディションをサポートする。局所構造から点雲を生成し、複数のスケールで同時に学習することで、MSPCGはより優れた一般化能力とスケーラビリティを持つ。 ShapeNetでトレーニングされたMSPCGは、不明瞭なカテゴリや屋内シーンのために、所定の構造から点雲を生成することができます。実験の結果,本手法はベースライン法よりも有意に優れていた。

関連論文リスト

Node-like as a Whole: Structure-aware Searching and Coarsening for Graph Classification [14.602474387096244]
グラフトランスフォーマー(GT)は、グラフレベルのタスクにおいて顕著な成果を上げている。グラフ構造全体をノード的に扱うことで、ハイレベルな機能を学ぶことができますか? 本稿では,構造認識探索と粗化による多視点グラフ表現学習モデルを提案する。
論文参考訳（メタデータ） (2024-04-18T03:03:37Z)
Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
論文参考訳（メタデータ） (2024-03-06T10:36:56Z)
StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
論文参考訳（メタデータ） (2023-11-29T10:35:00Z)
Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。本稿では,軽量点雲モデルのための特徴蒸留について検討する。本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
論文参考訳（メタデータ） (2023-10-08T11:32:50Z)
Efficient Multi-View Graph Clustering with Local and Global Structure Preservation [59.49018175496533]
局所・グローバル構造保存を用いた効率的なマルチビューグラフクラスタリング(EMVGC-LG)という,アンカーベースのマルチビューグラフクラスタリングフレームワークを提案する。具体的には、EMVGC-LGがクラスタリング品質を向上させるために、アンカー構築とグラフ学習を共同で最適化する。さらに、EMVGC-LGはサンプル数に関する既存のAMVGCメソッドの線形複雑性を継承する。
論文参考訳（メタデータ） (2023-08-31T12:12:30Z)
Point cloud completion on structured feature map with feedback network [28.710494879042002]
本稿では,FSNetを提案する。FSNetは,ポイントワイドな特徴を適応的に2次元構造的特徴マップに集約できる機能構造化モジュールである。 2次元畳み込みニューラルネットワークを用いて、FSNetから粗い完全点クラウドに特徴マップをデコードする。点雲アップサンプリングネットワークを用いて、部分入力と粗い中間出力から高密度点雲を生成する。
論文参考訳（メタデータ） (2022-02-17T10:59:40Z)
SRPCN: Structure Retrieval based Point Completion Network [9.456072124396231]
構造検索に基づくポイントコンプリートネットワーク(SRPCN)を提案する。最初はk平均クラスタリングを使用して構造点を抽出し、それを分布に分散し、その後、完全な構造点雲を見つけるための計量としてKLディバージェンス(英語版)が用いられる。実験により,本手法はより正確な結果が得られ,より強力な一般化能力を有することが示された。
論文参考訳（メタデータ） (2022-02-06T01:20:50Z)
Unsupervised Scale-Invariant Multispectral Shape Matching [7.04719493717788]
非剛性伸縮構造間のアライメントは、コンピュータビジョンにおける最も難しいタスクの1つである。スケール不変ジオメトリのスペクトルに基づく教師なしニューラルネットワークアーキテクチャを提案する。本手法は局所的な変形によらず,異なる領域の形状のマッチングに優れた性能を示す。
論文参考訳（メタデータ） (2020-12-19T13:44:45Z)
Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文参考訳（メタデータ） (2020-12-16T04:13:26Z)
Graph Structural-topic Neural Network [35.27112594356742]
Graph Convolutional Networks(GCNs)は、ノードのローカル機能を効果的に収集することで、大きな成功を収めた。本稿では,グラフのトピックモデルを利用したGCNモデルであるGraphSTONEを提案する。ノードの特徴と構造的トピックの特徴を統一する多視点GCNを設計し、構造的トピックを利用して集約を誘導する。
論文参考訳（メタデータ） (2020-06-25T09:47:21Z)
Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
論文参考訳（メタデータ） (2020-04-07T13:03:29Z)

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。