論文の概要: PatchComplete: Learning Multi-Resolution Patch Priors for 3D Shape Completion on Unseen Categories

• arxiv url: http://arxiv.org/abs/2206.04916v1
• Date: Fri, 10 Jun 2022 07:34:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 15:08:49.348984
• Title: PatchComplete: Learning Multi-Resolution Patch Priors for 3D Shape Completion on Unseen Categories
• Title（参考訳）: PatchComplete: 未知のカテゴリ上での3次元形状補完のためのマルチリゾリューション・パッチの事前学習
• Authors: Yuchen Rao, Yinyu Nie, Angela Dai
• Abstract要約: PatchCompleteは,マルチレゾリューションローカルパッチに基づいて,有効形状の事前学習を行う。 このようなパッチベースのプリエントは、特定の列車カテゴリへの過度な適合を回避し、テスト時に全く見えないカテゴリの再構築を可能にする。 合成シェープネットデータに対する本手法の有効性と,ScanNetによる実スキャン対象への挑戦について述べる。
• 参考スコア（独自算出の注目度）: 24.724113526984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While 3D shape representations enable powerful reasoning in many visual and perception applications, learning 3D shape priors tends to be constrained to the specific categories trained on, leading to an inefficient learning process, particularly for general applications with unseen categories. Thus, we propose PatchComplete, which learns effective shape priors based on multi-resolution local patches, which are often more general than full shapes (e.g., chairs and tables often both share legs) and thus enable geometric reasoning about unseen class categories. To learn these shared substructures, we learn multi-resolution patch priors across all train categories, which are then associated to input partial shape observations by attention across the patch priors, and finally decoded into a complete shape reconstruction. Such patch-based priors avoid overfitting to specific train categories and enable reconstruction on entirely unseen categories at test time. We demonstrate the effectiveness of our approach on synthetic ShapeNet data as well as challenging real-scanned objects from ScanNet, which include noise and clutter, improving over state of the art in novel-category shape completion by 19.3% in chamfer distance on ShapeNet, and 9.0% for ScanNet.
• Abstract（参考訳）: 3次元形状表現は多くの視覚的・知覚的応用において強力な推論を可能にするが、3次元形状の事前学習は訓練された特定のカテゴリーに制約される傾向があり、非効率な学習プロセス、特に目に見えないカテゴリーの一般的な応用に繋がる。 そこで本研究では,マルチレゾリューションの局所パッチをベースとした効果的な形状の事前学習を行うPatchCompleteを提案する。 これらの共有部分構造を学ぶために、全列車のカテゴリーにまたがるマルチレゾリューションパッチプリアーを学習し、パッチプリアーをまたいで注意して入力された部分的な形状観察に関連付け、最終的に完全な形状再構成に復号する。 このようなパッチベースのプリエントは、特定の列車カテゴリへの過度な適合を回避し、テスト時に全く見えないカテゴリの再構築を可能にする。 本研究では,ScanNetの合成ShapeNetデータに対するアプローチの有効性と,ノイズやクラッタを含む実スキャン対象への挑戦,新規カテゴリ形状完了における技術状況の改善,ShapeNetのチャンファー距離19.3%,ScanNetの9.0%の課題について述べる。

関連論文リスト

• Beyond Complete Shapes: A quantitative Evaluation of 3D Shape Matching Algorithms [41.95394677818476]
  3次元形状の対応を見つけることは、コンピュータビジョン、グラフィックスなどにおいて重要な問題である。 我々は、挑戦的な部分的な形状マッチングシナリオの手続き生成のための汎用的で柔軟なフレームワークを提供する。 手動で7つの既存の(完全な幾何学)形状マッチングデータセット間のクロスデータセット対応を作成し、合計2543個の形状を生成する。
  論文  参考訳（メタデータ） (2024-11-05T21:08:19Z)
• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• 3D Textured Shape Recovery with Learned Geometric Priors [58.27543892680264]
  本技術報告では,学習した幾何学的先入観を取り入れて,限界に対処するアプローチを提案する。 我々は、学習したポーズ予測からSMPLモデルを生成し、それを部分的な入力に融合させ、人体の事前知識を追加する。 また、異なるレベルのスケールを扱うために、新しい完全性を考慮したバウンディングボックス適応を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:03:35Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• 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)
• Denoise and Contrast for Category Agnostic Shape Completion [48.66519783934386]
  本稿では,自己スーパービジョンのパワーを利用して3dポイントのクラウド補完を行うディープラーニングモデルを提案する。 Denoising Pretextタスクは、高レベルのセマンティクスから切り離された、必要なローカルキューをネットワークに提供する。 コントラスト学習は、異なる欠落部分を持つ同じ形状の変種間の一致を最大化する。
  論文  参考訳（メタデータ） (2021-03-30T20:33:24Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。