論文の概要: TaylorImNet for Fast 3D Shape Reconstruction Based on Implicit Surface
Function
- arxiv url: http://arxiv.org/abs/2201.06845v1
- Date: Tue, 18 Jan 2022 09:47:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 22:19:33.849430
- Title: TaylorImNet for Fast 3D Shape Reconstruction Based on Implicit Surface
Function
- Title(参考訳): 入射表面関数に基づく高速3次元形状再構成のためのTaylorImNet
- Authors: Yuting Xiao, Jiale Xu, Shenghua Gao
- Abstract要約: TaylorImNetは、暗黙の3D形状表現のためにTaylorシリーズにインスパイアされている。
私たちのアプローチは、既存の最先端のベースラインよりも若干パフォーマンスが向上します。
- 参考スコア(独自算出の注目度): 34.4312460015344
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Benefiting from the contiguous representation ability, deep implicit
functions can extract the iso-surface of a shape at arbitrary resolution.
However, utilizing the neural network with a large number of parameters as the
implicit function prevents the generation speed of high-resolution topology
because it needs to forward a large number of query points into the network. In
this work, we propose TaylorImNet inspired by the Taylor series for implicit 3D
shape representation. TaylorImNet exploits a set of discrete expansion points
and corresponding Taylor series to model a contiguous implicit shape field.
After the expansion points and corresponding coefficients are obtained, our
model only needs to calculate the Taylor series to evaluate each point and the
number of expansion points is independent of the generating resolution. Based
on this representation, our TaylorImNet can achieve a significantly faster
generation speed than other baselines. We evaluate our approach on
reconstruction tasks from various types of input, and the experimental results
demonstrate that our approach can get slightly better performance than existing
state-of-the-art baselines while improving the inference speed with a large
margin.
- Abstract(参考訳): 連続表現能力により、深い暗黙関数は任意の解像度で形状の等曲面を抽出することができる。
しかし、暗黙関数として多くのパラメータを持つニューラルネットワークを利用することで、大量のクエリポイントをネットワークに転送する必要があるため、高解像度トポロジの生成速度が低下する。
本研究では,Taylorシリーズにヒントを得たTaylorImNetを提案する。
TaylorImNet は離散展開点と対応するTaylor級数を用いて、連続な暗黙の形状場をモデル化する。
展開点と対応する係数が得られた後、我々のモデルは各点を評価するためにテイラー級数を計算する必要があり、展開点の数は生成分解能とは無関係である。
この表現に基づいて、TaylorImNetは他のベースラインよりもはるかに高速な生成速度を達成できます。
各種入力からの再構成タスクに対するアプローチを評価した結果,提案手法は既存の最先端ベースラインよりも若干性能が向上し,推論速度は大幅に向上することが示された。
関連論文リスト
- Coverage Axis++: Efficient Inner Point Selection for 3D Shape
Skeletonization [63.04823526463001]
Coverage Axis++は、3D形状のスケルトン化に対する、新しくて効率的なアプローチである。
メディア軸変換(MAT)の高精度近似を提供する。
コードが公開されたら、コードは公開されます。
論文 参考訳(メタデータ) (2024-01-23T18:07:07Z) - GridPull: Towards Scalability in Learning Implicit Representations from
3D Point Clouds [60.27217859189727]
大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。
我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。
我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
論文 参考訳(メタデータ) (2023-08-25T04:52:52Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳(メタデータ) (2022-02-16T21:24:54Z) - LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using
Permutohedral Lattices [27.048998326468688]
深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。
本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。
本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
論文 参考訳(メタデータ) (2021-08-09T10:17:27Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - Shape As Points: A Differentiable Poisson Solver [118.12466580918172]
本稿では,ポアソン表面再構成 (PSR) の微分可能な定式化を用いた,微分可能な点間メッシュ層を提案する。
微分可能なPSR層は、暗示指標場を介して、明示的な3D点表現を3Dメッシュに効率よく、かつ、差別的にブリッジすることができる。
ニューラル暗黙の表現と比較して、私たちのシェープ・アズ・ポイント(SAP)モデルはより解釈可能で、軽量で、1桁の推論時間を加速します。
論文 参考訳(メタデータ) (2021-06-07T09:28:38Z) - Investigate Indistinguishable Points in Semantic Segmentation of 3D
Point Cloud [34.414363402029984]
区別不能な点は、複雑な境界に位置する点と、類似した局所的なテクスチャを持つ点と、小さな硬い領域を分離する点からなる。
階層的セマンティック特徴を利用して,識別不能な点を適応的に選択する,識別不能な領域フォカライゼーションネットワーク(IAF-Net)を提案する。
IAF-Netは、いくつかの人気の3Dポイントクラウドデータセットで最先端のパフォーマンスで同等の結果を達成します。
論文 参考訳(メタデータ) (2021-03-18T15:54:59Z) - Convolutional Occupancy Networks [88.48287716452002]
本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。
畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。
実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
論文 参考訳(メタデータ) (2020-03-10T10:17:07Z) - Pointwise Attention-Based Atrous Convolutional Neural Networks [15.499267533387039]
多数の点を効率的に扱うために,注目度に基づくアトラス畳み込みニューラルネットワークアーキテクチャを提案する。
提案モデルは,3次元セマンティックセグメンテーションタスクにおいて,最も重要な2つの3Dポイントクラウドデータセット上で評価されている。
精度の面では最先端モデルと比較して妥当な性能を達成し、パラメータの数ははるかに少ない。
論文 参考訳(メタデータ) (2019-12-27T13:12:58Z)
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。