論文の概要: Probabilistic Registration for Gaussian Process 3D shape modelling in
the presence of extensive missing data
- arxiv url: http://arxiv.org/abs/2203.14113v1
- Date: Sat, 26 Mar 2022 16:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-03 00:15:36.954578
- Title: Probabilistic Registration for Gaussian Process 3D shape modelling in
the presence of extensive missing data
- Title(参考訳): 広範囲欠落データの存在下でのガウス過程3次元形状モデリングの確率的登録
- Authors: Filipa Valdeira and Ricardo Ferreira and Alessandra Micheletti and
Cl\'audia Soares
- Abstract要約: 形状適合問題をマルチアノテータであるガウス過程回帰として定式化し,標準確率登録と並列性を確立する。
達成されたGPRegは、最先端の登録方法やGPによる登録の現在のアプローチと比較して、広範囲の欠落データを扱う場合のパフォーマンスが向上する。
- 参考スコア(独自算出の注目度): 63.8376359764052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian Processes are a powerful tool for shape modelling. While the
existing methods on this area prove to work well for the general case of the
human head, when looking at more detailed and deformed data, with a high
prevalence of missing data, such as the ears, the results are not satisfactory.
In order to overcome this, we formulate the shape fitting problem as a
multi-annotator Gaussian Process Regression and establish a parallel with the
standard probabilistic registration. The achieved method GPReg shows better
performance when dealing with extensive areas of missing data when compared to
a state-of-the-art registration method and the current approach for
registration with GP.
- Abstract(参考訳): ガウス過程は形状モデリングの強力なツールである。
この領域における既存の手法は、人間の頭部の一般的な場合ではうまく機能するが、より詳細で変形したデータを見ると、耳のような欠落したデータが多く、結果が満足できない。
これを解決するために,マルチアノテータのガウス過程回帰として形状適合問題を定式化し,標準確率登録と並列性を確立する。
得られたgpreg法は,最先端の登録法やgp登録の現在のアプローチと比較して,欠落データの広範囲な領域を扱う場合に優れた性能を示す。
関連論文リスト
- Conditionally-Conjugate Gaussian Process Factor Analysis for Spike Count Data via Data Augmentation [8.114880112033644]
近年、GPFAはスパイクカウントデータをモデル化するために拡張されている。
本稿では,解析的および計算的抽出可能な推論が可能な条件共役型ガウス過程因子解析(ccGPFA)を提案する。
論文 参考訳(メタデータ) (2024-05-19T21:53:36Z) - Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。
これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。
本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T09:52:48Z) - DiffComplete: Diffusion-based Generative 3D Shape Completion [114.43353365917015]
3次元レンジスキャンにおける形状完成のための拡散に基づく新しいアプローチを提案する。
私たちはリアリズム、マルチモダリティ、高忠実さのバランスを取ります。
DiffCompleteは2つの大規模3次元形状補完ベンチマークに新しいSOTA性能を設定する。
論文 参考訳(メタデータ) (2023-06-28T16:07:36Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Probabilistic Implicit Scene Completion [6.954686339092988]
大規模3次元シーンの連続幾何学に拡張した確率的形状補完法を提案する。
生成セルオートマタを用いてマルチモーダル分布を学習し,定式化を変換して大規模連続幾何処理を行う。
実験により,入力に忠実な多彩なシーンを生成できることが確認された。
論文 参考訳(メタデータ) (2022-04-04T06:16:54Z) - Adaptive Cholesky Gaussian Processes [7.684183064816171]
本稿では,データの部分集合のみを考慮し,正確なガウス過程モデルを大規模データセットに適合させる手法を提案する。
我々のアプローチは、計算オーバーヘッドが少ない正確な推論中に、サブセットのサイズがフライで選択されるという点で新しくなっています。
論文 参考訳(メタデータ) (2022-02-22T09:43:46Z) - From noisy point clouds to complete ear shapes: unsupervised pipeline [63.8376359764052]
本稿では,入力未順序の3次元点雲として,上記の問題に対処し,対応したデータセットを出力する完全パイプラインを提案する。
我々は、いくつかの最先端の登録方法の比較を行い、パイプラインのステップの1つに新しいアプローチを提案し、データのパフォーマンスを向上する。
論文 参考訳(メタデータ) (2020-08-22T13:20:43Z) - Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。
分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
論文 参考訳(メタデータ) (2020-02-21T14:03:16Z)
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。