論文の概要: GenSDF: Two-Stage Learning of Generalizable Signed Distance Functions

• arxiv url: http://arxiv.org/abs/2206.02780v1
• Date: Mon, 6 Jun 2022 17:58:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 15:16:23.938850
• Title: GenSDF: Two-Stage Learning of Generalizable Signed Distance Functions
• Title（参考訳）: GenSDF: 一般化可能な符号付き距離関数の2段階学習
• Authors: Gene Chou, Ilya Chugunov, Felix Heide
• Abstract要約: 本研究では, 未知およびラベルなしの点雲に対する3次元物体表現学習のための, ニューラルサイン付き距離関数(SDF)の一般化能力について検討する。 既存のメソッドは、SDFをいくつかのオブジェクトクラスに適合させ、細部や高速な推論速度を誇示するが、見当たらない形状にうまく一般化しない。 ラベル付きデータからラベルなしデータへ形状を転送し、未知のオブジェクトカテゴリを再構築する2段階の半教師付きメタラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 37.07344649854001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the generalization capabilities of neural signed distance functions (SDFs) for learning 3D object representations for unseen and unlabeled point clouds. Existing methods can fit SDFs to a handful of object classes and boast fine detail or fast inference speeds, but do not generalize well to unseen shapes. We introduce a two-stage semi-supervised meta-learning approach that transfers shape priors from labeled to unlabeled data to reconstruct unseen object categories. The first stage uses an episodic training scheme to simulate training on unlabeled data and meta-learns initial shape priors. The second stage then introduces unlabeled data with disjoint classes in a semi-supervised scheme to diversify these priors and achieve generalization. We assess our method on both synthetic data and real collected point clouds. Experimental results and analysis validate that our approach outperforms existing neural SDF methods and is capable of robust zero-shot inference on 100+ unseen classes. Code can be found at https://github.com/princeton-computational-imaging/gensdf.
• Abstract（参考訳）: 本研究では, 未知およびラベルなしの点雲に対する3次元物体表現学習のための, ニューラルサイン付き距離関数(SDF)の一般化能力について検討する。 既存のメソッドは一握りのオブジェクトクラスにsdfを適合させ、細部や高速な推論速度を誇示するが、見当たらない形状にうまく一般化しない。 ラベル付きデータからラベルなしデータに先行する形状を2段階の半教師付きメタラーニング手法を導入し,未認識のオブジェクトカテゴリを再構築する。 第1段階では、ラベルなしデータとメタ学習の初期形状に関するトレーニングをシミュレートするために、エピソードトレーニングスキームを使用する。 次に第2段階は、これらの先行を多様化して一般化を達成する半教師付きスキームにおいて、非可換なクラスを持つラベル付きデータを導入する。 本手法は合成データと実測点雲の両方について評価する。 実験結果と解析結果から,本手法は既存のSDF法より優れており,100以上の未確認クラスでゼロショット推論が堅牢であることが確認された。 コードはhttps://github.com/princeton-computational-imaging/gensdf.comにある。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• 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)
• Visual Recognition with Deep Nearest Centroids [57.35144702563746]
  我々は、概念的にエレガントで驚くほど効果的な大規模視覚認識ネットワークである深部セントロイド(DNC)を考案した。 パラメトリックと比較すると、DNCは画像分類(CIFAR-10, ImageNet)に優れ、画像認識(ADE20K, Cityscapes)を大いに起動する。
  論文  参考訳（メタデータ） (2022-09-15T15:47:31Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• Implicit Shape Completion via Adversarial Shape Priors [46.48590354256945]
  部分点雲の完全化のためのニューラル暗黙的形状法を提案する。 条件付きDeep-SDFアーキテクチャと学習済みの逆形状の事前処理を組み合わせる。 我々はPointNet++識別器を訓練し、生成元が可塑性で一貫した再構成を生成することを示唆する。
  論文  参考訳（メタデータ） (2022-04-21T12:49:59Z)
• Unsupervised Point Cloud Pre-Training via Occlusion Completion [18.42664414305454]
  点雲に対する簡単な事前学習アプローチについて述べる。 カメラビューに隠された全てのポイントをマスクする 2. 隠されたポイントを再構築するためにエンコーダ・デコーダモデルを学ぶ 3. 下流のクラウドタスクの初期化としてエンコーダ重みを使用する。
  論文  参考訳（メタデータ） (2020-10-02T16:43:14Z)

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。