論文の概要: Deep Active Latent Surfaces for Medical Geometries

• arxiv url: http://arxiv.org/abs/2206.10241v1
• Date: Tue, 21 Jun 2022 10:33:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 02:42:49.869075
• Title: Deep Active Latent Surfaces for Medical Geometries
• Title（参考訳）: 医用測地用深部活性潜水面
• Authors: Patrick M. Jensen, Udaranga Wickramasinghe, Anders B. Dahl, Pascal Fua, Vedrana A. Dahl
• Abstract要約: 形状先行は、ノイズや不完全なデータから3次元形状を再構成する際に有効であることが知られている。 本稿では,各頂点に別個の潜在ベクトルを持つ3次元メッシュの形状を表すハイブリッドアプローチを提案する。 推論のために、潜伏ベクトルは空間正規化制約を課しながら独立に更新される。 これにより、フレキシビリティと一般化能力の両方が得られ、いくつかの医療画像処理タスクで実演できることが示される。
• 参考スコア（独自算出の注目度）: 51.82897666576424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shape priors have long been known to be effective when reconstructing 3D shapes from noisy or incomplete data. When using a deep-learning based shape representation, this often involves learning a latent representation, which can be either in the form of a single global vector or of multiple local ones. The latter allows more flexibility but is prone to overfitting. In this paper, we advocate a hybrid approach representing shapes in terms of 3D meshes with a separate latent vector at each vertex. During training the latent vectors are constrained to have the same value, which avoids overfitting. For inference, the latent vectors are updated independently while imposing spatial regularization constraints. We show that this gives us both flexibility and generalization capabilities, which we demonstrate on several medical image processing tasks.
• Abstract（参考訳）: 形状先行は、ノイズや不完全なデータから3次元形状を再構成する際に有効であることが知られている。 ディープラーニングベースの形状表現を使用する場合、これはしばしば潜在表現の学習を伴うが、これは単一の大域ベクトルか複数の局所表現のどちらかである。 後者は柔軟性が増すが、オーバーフィットしやすい。 本稿では,各頂点に独立した潜在ベクトルを持つ3次元メッシュを用いて形状を表現するハイブリッド手法を提案する。 トレーニング中、潜在ベクトルは同じ値を持つように制限され、オーバーフィッティングを避ける。 推論では、潜在ベクトルは空間正規化制約を課しながら独立に更新される。 これによって柔軟性と一般化の両能力が得られ、いくつかの医療画像処理タスクで実証した。

関連論文リスト

• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• ShapeFormer: Transformer-based Shape Completion via Sparse Representation [41.33457875133559]
  本稿では,不完全でノイズの多い点雲に条件付きオブジェクト完了の分布を生成するネットワークであるShapeFormerを提案する。 結果の分布をサンプリングして、入力に忠実な状態で、それぞれがもっともらしい形状の詳細を示す、可能性のある完了を生成する。
  論文  参考訳（メタデータ） (2022-01-25T13:58:30Z)
• A-SDF: Learning Disentangled Signed Distance Functions for Articulated Shape Representation [62.517760545209065]
  A-SDF (Articulated Signed Distance Functions) を導入して, 曲面形状を表す。 本モデルでは, 部分点群や実世界深度画像など, 未知のデータへの一般化を実証する。
  論文  参考訳（メタデータ） (2021-04-15T17:53:54Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)
• Gram Regularization for Multi-view 3D Shape Retrieval [3.655021726150368]
  本稿では,グラム正規化という新しい正規化用語を提案する。 重みカーネル間の分散を強要することにより、正規化器は識別的特徴を抽出するのに役立つ。 提案したグラム正規化はデータ独立であり、ベルやホイッスルを使わずに安定かつ迅速に収束することができる。
  論文  参考訳（メタデータ） (2020-11-16T05:37:24Z)

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。