論文の概要: Taylor3DNet: Fast 3D Shape Inference With Landmark Points Based Taylor Series

• arxiv url: http://arxiv.org/abs/2201.06845v2
• Date: Sun, 16 Jul 2023 09:28:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 00:58:05.151929
• Title: Taylor3DNet: Fast 3D Shape Inference With Landmark Points Based Taylor Series
• Title（参考訳）: Taylor3DNet:ランドマークをベースとした3D形状推論
• Authors: Yuting Xiao, Jiale Xu, Shenghua Gao
• Abstract要約: 暗黙的形状表現の推論を高速化するTaylo3DNetを提案する。 Taylor3DNetは、離散的なランドマーク点とその対応するテイラー級数係数を利用して、3次元形状の暗黙の場を表現する。 この効率的な表現に基づいて、Taylor3DNetは従来のネットワークベースの暗黙関数よりもはるかに高速な推論速度を実現する。
• 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 continuous representation ability, deep implicit functions can represent a shape at infinite resolution. However, extracting high-resolution iso-surface from an implicit function requires forward-propagating a network with a large number of parameters for numerous query points, thus preventing the generation speed. Inspired by the Taylor series, we propose Taylo3DNet to accelerate the inference of implicit shape representations. Taylor3DNet exploits a set of discrete landmark points and their corresponding Taylor series coefficients to represent the implicit field of a 3D shape, and the number of landmark points is independent of the resolution of the iso-surface extraction. Once the coefficients corresponding to the landmark points are predicted, the network evaluation for each query point can be simplified as a low-order Taylor series calculation with several nearest landmark points. Based on this efficient representation, our Taylor3DNet achieves a significantly faster inference speed than classical network-based implicit functions. We evaluate our approach on reconstruction tasks with various input types, and the results demonstrate that our approach can improve the inference speed by a large margin without sacrificing the performance compared with state-of-the-art baselines.
• Abstract（参考訳）: 連続表現能力から見れば、深い暗黙関数は無限解像度で形を表現することができる。 しかしながら、暗黙の関数から高解像度のiso-surfaceを抽出するには、多数のクエリポイントに対して多くのパラメータを持つネットワークを前方に伝播する必要があるため、生成速度が低下する。 テイラー級数に着想を得て,暗黙の形状表現の推論を高速化するTaylo3DNetを提案する。 taylor3dnetは、離散的ランドマーク点とその対応するテイラー級数係数を駆使して3次元形状の暗黙的場を表現し、ランドマーク点の数はiso-surface抽出の解像度とは独立している。 ランドマーク点に対応する係数が予測されると、各問合せ点に対するネットワーク評価を、いくつかの最も近いランドマーク点を持つ低次テイラー級数計算として単純化することができる。 この効率的な表現に基づいて、Taylor3DNetは従来のネットワークベースの暗黙関数よりもはるかに高速な推論速度を実現する。 提案手法は, 各種入力型を用いた再構成作業に対するアプローチを評価し, 提案手法は, 最先端のベースラインに比べて性能を犠牲にすることなく, 推論速度を大きなマージンで向上させることができることを示した。

関連論文リスト

• NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds [41.723434094309184]
  無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。 最近の進歩は、ニューラルサインされた距離関数をトレーニングして、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。 我々は三面構造の表現能力を活用して符号付き距離関数の学習を高速化するNumGrad-Pullを導入する。
  論文  参考訳（メタデータ） (2024-11-26T12:54:30Z)
• MultiPull: Detailing Signed Distance Functions by Pulling Multi-Level Queries at Multi-Step [48.812388649469106]
  粗いSDFを粗い値から細かい値に最適化することにより,原点雲から多スケール暗黙フィールドを学習する手法を提案する。 広く使われているオブジェクトとシーンのベンチマーク実験により,この手法は表面再構成における最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T10:50:22Z)
• 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)
• 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)

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。