論文の概要: Cloud Sphere: A 3D Shape Representation via Progressive Deformation

• arxiv url: http://arxiv.org/abs/2112.11133v1
• Date: Tue, 21 Dec 2021 12:10:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:11:58.172187
• Title: Cloud Sphere: A 3D Shape Representation via Progressive Deformation
• Title（参考訳）: cloud sphere:プログレッシブ変形による3次元形状表現
• Authors: Zongji Wang, Yunfei Liu, Feng Lu
• Abstract要約: 本論文は形状形成過程から特異な情報を発見することを目的としている。 プログレッシブな変形に基づくオートエンコーダを提案する。 実験の結果,提案したPDAEは高忠実度で3次元形状を復元できることがわかった。
• 参考スコア（独自算出の注目度）: 21.216503294296317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the area of 3D shape analysis, the geometric properties of a shape have long been studied. Instead of directly extracting representative features using expert-designed descriptors or end-to-end deep neural networks, this paper is dedicated to discovering distinctive information from the shape formation process. Concretely, a spherical point cloud served as the template is progressively deformed to fit the target shape in a coarse-to-fine manner. During the shape formation process, several checkpoints are inserted to facilitate recording and investigating the intermediate stages. For each stage, the offset field is evaluated as a stage-aware description. The summation of the offsets throughout the shape formation process can completely define the target shape in terms of geometry. In this perspective, one can derive the point-wise shape correspondence from the template inexpensively, which benefits various graphic applications. In this paper, the Progressive Deformation-based Auto-Encoder (PDAE) is proposed to learn the stage-aware description through a coarse-to-fine shape fitting task. Experimental results show that the proposed PDAE has the ability to reconstruct 3D shapes with high fidelity, and consistent topology is preserved in the multi-stage deformation process. Additional applications based on the stage-aware description are performed, demonstrating its universality.
• Abstract（参考訳）: 3次元形状解析の分野では、形状の幾何学的性質が長い間研究されてきた。 本稿では,専門家が設計した記述子やエンドツーエンドのディープニューラルネットワークを用いて,代表的特徴を直接抽出する代わりに,形状形成過程から特有の情報を発見することを目的とする。 具体的には、テンプレートとして提供される球状点雲を段階的に変形させ、ターゲット形状を粗大に整合させる。 形状形成過程において、中間段階の記録及び調査を容易にするために複数のチェックポイントを挿入する。 各ステージについて、オフセットフィールドをステージ認識記述として評価する。 形状形成過程におけるオフセットの和は、幾何学的に対象形状を完全に定義することができる。 この観点からは、テンプレートからポイントワイズ形状対応を安価に導き出すことができ、様々なグラフィック応用に利点がある。 本稿では, 段階的変形に基づく自動エンコーダ (pdae) を提案する。 実験の結果,提案するpdaeは高い忠実度で3次元形状を再構成でき,多段変形過程においても一貫したトポロジーが維持できることがわかった。 ステージアウェア記述に基づく追加の応用が行われ、その普遍性を示す。

関連論文リスト

• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• 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)
• Prototype-Aware Heterogeneous Task for Point Cloud Completion [35.47134205562422]
  ポイントクラウド補完は、部分的なポイントクラウドから元の形状情報を復元することを目的としている。 既存の方法は通常標準形状の完成に成功し、非標準形状の点雲の局所的な詳細を生成できない。 本研究では,クラス内形状表現の助けを借りて,標準形・非標準形を識別する効果的な手法を設計する。
  論文  参考訳（メタデータ） (2022-09-05T02:43:06Z)
• ShapeFormer: Transformer-based Shape Completion via Sparse Representation [41.33457875133559]
  本稿では,不完全でノイズの多い点雲に条件付きオブジェクト完了の分布を生成するネットワークであるShapeFormerを提案する。 結果の分布をサンプリングして、入力に忠実な状態で、それぞれがもっともらしい形状の詳細を示す、可能性のある完了を生成する。
  論文  参考訳（メタデータ） (2022-01-25T13:58:30Z)
• SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
  点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。 既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
  論文  参考訳（メタデータ） (2021-08-10T06:49:45Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)
• ShapeFlow: Learnable Deformations Among 3D Shapes [28.854946339507123]
  本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-14T19:03:35Z)
• 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)

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。