論文の概要: Neural Part Priors: Learning to Optimize Part-Based Object Completion in RGB-D Scans

• arxiv url: http://arxiv.org/abs/2203.09375v2
• Date: Sat, 25 Mar 2023 01:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 03:40:34.696012
• Title: Neural Part Priors: Learning to Optimize Part-Based Object Completion in RGB-D Scans
• Title（参考訳）: rgb-dスキャンにおける部分ベースオブジェクト補完の最適化のための学習
• Authors: Alexey Bokhovkin, Angela Dai
• Abstract要約: 本稿では,部分情報付き3次元形状の大規模合成データセットを活用してニューラル部品の先行学習を提案する。 実世界でスキャンされた3Dシーンをテスト時に適合させるために、学習した部分を最適化できます。 ScanNetデータセットの実験では、NPPは部分分解とオブジェクト補完において、技術の状態を大幅に上回っている。
• 参考スコア（独自算出の注目度）: 27.377128012679076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D object recognition has seen significant advances in recent years, showing impressive performance on real-world 3D scan benchmarks, but lacking in object part reasoning, which is fundamental to higher-level scene understanding such as inter-object similarities or object functionality. Thus, we propose to leverage large-scale synthetic datasets of 3D shapes annotated with part information to learn Neural Part Priors (NPPs), optimizable spaces characterizing geometric part priors. Crucially, we can optimize over the learned part priors in order to fit to real-world scanned 3D scenes at test time, enabling robust part decomposition of the real objects in these scenes that also estimates the complete geometry of the object while fitting accurately to the observed real geometry. Moreover, this enables global optimization over geometrically similar detected objects in a scene, which often share strong geometric commonalities, enabling scene-consistent part decompositions. Experiments on the ScanNet dataset demonstrate that NPPs significantly outperforms state of the art in part decomposition and object completion in real-world scenes.
• Abstract（参考訳）: 近年、3dオブジェクト認識は大幅に進歩しており、実世界の3dスキャンベンチマークでは印象的なパフォーマンスを示しているが、オブジェクト部分推論には欠けており、オブジェクト間の類似性やオブジェクト機能といった高レベルなシーン理解の基盤となっている。 そこで本研究では,3次元形状の大規模合成データセットを部品情報に付加して,幾何学的部分前処理を特徴付ける最適化可能な空間であるNPP(Neural Part Priors)を学習する。 重要なことは、実空間でスキャンされた実世界の3Dシーンに適合するように、学習した部分の事前を最適化し、これらのシーンにおける実際のオブジェクトの堅牢な部分分解を可能にし、観測された実際の幾何学に正確に適合しながら、オブジェクトの完全な幾何学を推定する。 さらに、これはシーン内の幾何学的に類似した検出されたオブジェクトに対するグローバル最適化を可能にし、しばしば強い幾何学的共通性を共有し、シーン一貫性のある部分分解を可能にする。 ScanNetデータセットの実験では、NPPは実世界のシーンにおける部分分解とオブジェクト補完において、芸術の状態を著しく上回ります。

関連論文リスト

• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Generalizing Single-View 3D Shape Retrieval to Occlusions and Unseen Objects [32.32128461720876]
  シングルビュー3D形状検索は、利用可能な3Dデータの増大に伴ってますます重要になる課題である。 我々は,3つの異なる軸に沿って一視点の3次元形状検索を体系的に評価し,物体の閉塞や切り離しの存在,見えない3次元形状データへの一般化,入力画像における見えない物体への一般化について検討した。
  論文  参考訳（メタデータ） (2023-12-31T05:39:38Z)
• LASA: Instance Reconstruction from Real Scans using A Large-scale Aligned Shape Annotation Dataset [17.530432165466507]
  本稿では,新しいクロスモーダル形状再構成法とOccGOD法を提案する。 本手法は,インスタンスレベルのシーン再構成と3次元オブジェクト検出の両タスクにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T18:50:10Z)
• Semi-Weakly Supervised Object Kinematic Motion Prediction [56.282759127180306]
  3Dオブジェクトが与えられた場合、運動予測は移動部と対応する運動パラメータを識別することを目的としている。 階層的部分分割と移動部パラメータのマップを学習するグラフニューラルネットワークを提案する。 ネットワーク予測は、擬似ラベル付き移動情報を持つ大規模な3Dオブジェクトを生成する。
  論文  参考訳（メタデータ） (2023-03-31T02:37:36Z)
• 3D Video Object Detection with Learnable Object-Centric Global Optimization [65.68977894460222]
  対応性に基づく最適化は3次元シーン再構成の基盤となるが、3次元ビデオオブジェクト検出では研究されていない。 オブジェクト中心の時間対応学習と特徴量付きオブジェクトバンドル調整を備えた、エンドツーエンドで最適化可能なオブジェクト検出器であるBA-Detを提案する。
  論文  参考訳（メタデータ） (2023-03-27T17:39:39Z)
• RandomRooms: Unsupervised Pre-training from Synthetic Shapes and Randomized Layouts for 3D Object Detection [138.2892824662943]
  有望な解決策は、CADオブジェクトモデルで構成される合成データセットをよりよく利用して、実際のデータセットでの学習を促進することである。 最近の3次元事前学習の研究は、合成物体から他の実世界の応用へ学習した伝達特性が失敗することを示している。 本研究では,この目的を達成するためにRandomRoomsという新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:56:12Z)
• Discovering 3D Parts from Image Collections [98.16987919686709]
  本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。 そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。 私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
  論文  参考訳（メタデータ） (2021-07-28T20:29:16Z)
• Towards Part-Based Understanding of RGB-D Scans [43.4094489272776]
  本研究では,実世界の3D環境をパートベースで理解する作業を提案する。 シーンのRGB-Dスキャンからオブジェクトを検出し,各オブジェクトに対して幾何学的な部分マスクへの分解を予測する。 中間部分グラフ表現を利用して、ロバストな補完と部分の事前構築を可能にします。
  論文  参考訳（メタデータ） (2020-12-03T17:30:02Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。