論文の概要: Neural Shape Mating: Self-Supervised Object Assembly with Adversarial Shape Priors

• arxiv url: http://arxiv.org/abs/2205.14886v1
• Date: Mon, 30 May 2022 06:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 15:19:36.293636
• Title: Neural Shape Mating: Self-Supervised Object Assembly with Adversarial Shape Priors
• Title（参考訳）: ニューラル形状マッチング:逆形状優先の自己監督対象集合
• Authors: Yun-Chun Chen, Haoda Li, Dylan Turpin, Alec Jacobson, Animesh Garg
• Abstract要約: 本稿では,新しい3次元幾何形状マッチング手法を提案し,その課題に対処するためにニューラル形状マッチング(NSM)を提案する。 未知のカテゴリの2つの対象部分の点雲を考えると、NSMは2つの部分の適合性を推論し、それらを密に結合する2つの3Dポーズを予測する。 本稿では,物体メッシュをランダムに2つの部分に切断することで,地平とペア形状のマッチングデータを生成する自己教師型データ収集パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 45.187868277839314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to autonomously assemble shapes is a crucial skill for many robotic applications. While the majority of existing part assembly methods focus on correctly posing semantic parts to recreate a whole object, we interpret assembly more literally: as mating geometric parts together to achieve a snug fit. By focusing on shape alignment rather than semantic cues, we can achieve across-category generalization. In this paper, we introduce a novel task, pairwise 3D geometric shape mating, and propose Neural Shape Mating (NSM) to tackle this problem. Given the point clouds of two object parts of an unknown category, NSM learns to reason about the fit of the two parts and predict a pair of 3D poses that tightly mate them together. We couple the training of NSM with an implicit shape reconstruction task to make NSM more robust to imperfect point cloud observations. To train NSM, we present a self-supervised data collection pipeline that generates pairwise shape mating data with ground truth by randomly cutting an object mesh into two parts, resulting in a dataset that consists of 200K shape mating pairs from numerous object meshes with diverse cut types. We train NSM on the collected dataset and compare it with several point cloud registration methods and one part assembly baseline. Extensive experimental results and ablation studies under various settings demonstrate the effectiveness of the proposed algorithm. Additional material is available at: https://neural-shape-mating.github.io/
• Abstract（参考訳）: 形状を自律的に組み立てることを学ぶことは、多くのロボットアプリケーションにとって重要なスキルである。 既存の部品組立手法の大半は、オブジェクト全体を再現するために意味的な部分を正しく表現することに重点を置いているが、我々はアセンブリをより正確に解釈する。 意味的な手がかりではなく形状アライメントに焦点を合わせることで、カテゴリ間の一般化を実現することができる。 本稿では,新しい課題であるペアワイズ3次元幾何学的形状結合法と,この問題に取り組むためのニューラル・シェイプ・マッティング(nsm)を提案する。 未知のカテゴリの2つの対象部分の点雲を考えると、NSMは2つの部分の適合性を推論し、それらを密に結合する2つの3Dポーズを予測する。 我々は,nsmのトレーニングを暗黙の形状復元タスクと組み合わせることで,不完全な点雲観測をより堅牢にする。 NSMを訓練するために、オブジェクトメッシュをランダムに2つの部分に切断し、多種多様なオブジェクトメッシュから200Kの形状マッチングペアからなるデータセットを作成した、地上の真理でペアワイズな形状マッチングデータを生成する自己教師型データ収集パイプラインを提案する。 収集したデータセット上でNSMをトレーニングし、いくつかのポイントクラウド登録方法と1つのアセンブリベースラインと比較する。 各種条件下での実験結果とアブレーション実験により,提案アルゴリズムの有効性が示された。 追加資料は、https://neural-shape-mating.github.io/.com/で入手できる。

関連論文リスト

• Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
  我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。 私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
  論文  参考訳（メタデータ） (2024-07-13T06:53:39Z)
• Neural Implicit Representation for Building Digital Twins of Unknown Articulated Objects [42.32306418464438]
  本稿では2つのRGBDスキャンから未知の調音物体のディジタル双対を異なる調音状態で構築する問題に対処する。 提案手法は,まず各状態におけるオブジェクトレベルの形状を再構成し,基礎となる調音モデルを復元する。 また、複数の可動部も扱っており、以前の物体の形や構造に依存していない。
  論文  参考訳（メタデータ） (2024-04-01T19:23:00Z)
• Building Rearticulable Models for Arbitrary 3D Objects from 4D Point Clouds [28.330364666426345]
  任意の数の部品を含む日常的な人工物に対して再計算可能なモデルを構築する。 本手法では, 異なる対象部位, どの部位が他の部位に接続されているか, および各部位を接続する接合部の性質を同定する。
  論文  参考訳（メタデータ） (2023-06-01T17:59:21Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Generative 3D Part Assembly via Dynamic Graph Learning [34.108515032411695]
  部品組み立ては、3Dコンピュータビジョンとロボット工学において難しいが重要な課題だ。 本稿では,反復グラフニューラルネットワークをバックボーンとして活用する,アセンブリ指向の動的グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-14T04:26:42Z)
• Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
  本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。 ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。 提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
  論文  参考訳（メタデータ） (2019-12-31T15:09:51Z)

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。