論文の概要: RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures

• arxiv url: http://arxiv.org/abs/2201.12763v1
• Date: Sun, 30 Jan 2022 09:31:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:04:12.235514
• Title: RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures
• Title（参考訳）: RIM-Net:階層形状構造の教師なし学習のための再帰的命令場
• Authors: Chengjie Niu, Manyi Li, Kai Xu, Hao Zhang
• Abstract要約: RIM-Netは階層構造の教師なし推論のための暗黙の場を学習するニューラルネットワークである。 RIM-Netによる階層構造推論の品質,一貫性,解釈可能性を示す。
• 参考スコア（独自算出の注目度）: 18.5420635041504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RIM-Net, a neural network which learns recursive implicit fields for unsupervised inference of hierarchical shape structures. Our network recursively decomposes an input 3D shape into two parts, resulting in a binary tree hierarchy. Each level of the tree corresponds to an assembly of shape parts, represented as implicit functions, to reconstruct the input shape. At each node of the tree, simultaneous feature decoding and shape decomposition are carried out by their respective feature and part decoders, with weight sharing across the same hierarchy level. As an implicit field decoder, the part decoder is designed to decompose a sub-shape, via a two-way branched reconstruction, where each branch predicts a set of parameters defining a Gaussian to serve as a local point distribution for shape reconstruction. With reconstruction losses accounted for at each hierarchy level and a decomposition loss at each node, our network training does not require any ground-truth segmentations, let alone hierarchies. Through extensive experiments and comparisons to state-of-the-art alternatives, we demonstrate the quality, consistency, and interpretability of hierarchical structural inference by RIM-Net.
• Abstract（参考訳）: 本稿では,階層型構造の教師なし推論のための再帰的暗黙的場を学習するニューラルネットワークRIM-Netを紹介する。 我々のネットワークは入力された3d形状を2つの部分に分けて再帰的に分解する。 木の各レベルは、入力形状を再構築するために暗黙の関数として表される形状部品の集合に対応する。 木の各ノードにおいて、各特徴デコードと部分デコーダによって同時特徴デコードと形状分解が行われ、重みが同じ階層レベルで共有される。 暗黙のフィールドデコーダとして、部分デコーダは、各ブランチがガウシアンを定義するパラメータの集合を予測し、形状再構成のための局所的な点分布となる部分形状を分解するように設計されている。 各階層レベルでの再構成損失と各ノードでの分解損失が考慮されているため、ネットワークトレーニングでは階層構造に留まらず、基幹セグメンテーションは不要である。 rim-net による階層的構造推論の品質,一貫性,解釈可能性について,最先端の代替案に対する広範な実験と比較を行った。

関連論文リスト

• 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)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Image To Tree with Recursive Prompting [16.56278942191951]
  本稿では,各ステップの最適化問題としてタスクを再構成する,ツリー接続構造を予測するための新しい手法を提案する。 提案手法は,一対の合成データセット上で有意な結果が得られ,最短パスベースラインよりも優れる。
  論文  参考訳（メタデータ） (2023-01-01T17:35:24Z)
• D$^2$IM-Net: Learning Detail Disentangled Implicit Fields from Single Images [6.121310352120004]
  本稿では,入力画像から幾何学的詳細を復元する最初の1視点3次元再構成ネットワークを提案する。 私たちの重要なアイデアは、ネットワークを訓練して、2つの機能からなる詳細に区切られた再構築を学ぶことです。
  論文  参考訳（メタデータ） (2020-12-11T21:42:52Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• MRGAN: Multi-Rooted 3D Shape Generation with Unsupervised Part Disentanglement [49.05682172235875]
  本稿では, MRGANを提案する。MRGANは, パートベース形状の監視を伴わずに, 対角3次元点雲形状を生成するマルチルート対向ネットワークである。 このネットワークは、点雲を生成する木構造グラフ畳み込み層の複数の枝を融合させ、木根での学習可能な定数入力を行う。
  論文  参考訳（メタデータ） (2020-07-25T14:41:51Z)
• UCSG-Net -- Unsupervised Discovering of Constructive Solid Geometry Tree [6.605824452872053]
  既存の3次元形状復元へのアプローチは、制御され、プロセス中に事前に与えられるCSGプリミティブツリー全体が必要となる。 本モデルでは,操作のパラメータを予測し,その表現を微分可能なインジケータ関数で解析する。 我々のモデルは解釈可能であり、ソフトウェアで使用できることを示す。
  論文  参考訳（メタデータ） (2020-06-16T12:13:37Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。