論文の概要: SketchCleanNet -- A deep learning approach to the enhancement and correction of query sketches for a 3D CAD model retrieval system

• arxiv url: http://arxiv.org/abs/2207.00732v1
• Date: Sat, 2 Jul 2022 04:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 12:39:58.450960
• Title: SketchCleanNet -- A deep learning approach to the enhancement and correction of query sketches for a 3D CAD model retrieval system
• Title（参考訳）: SketchCleanNet -- 3次元CADモデル検索システムにおけるクエリスケッチの強化と修正のためのディープラーニングアプローチ
• Authors: Bharadwaj Manda, Prasad Kendre, Subhrajit Dey, Ramanathan Muthuganapathy
• Abstract要約: 検索エンジンは、入力検索クエリと、検索するアイテムのデータベースを必要とする。 ユーザからのクエリは通常、スケッチの形式で、3Dモデルの詳細をキャプチャしようとする。 ケッチには、ギャップ、オーバードロー部分(マルチストローク)など、典型的な欠陥がある。 検索した結果が入力クエリに匹敵するので、より優れた検索結果を得るためには、スケッチのクリーンアップと強化が必要である。
• 参考スコア（独自算出の注目度）: 0.6999740786886537
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Search and retrieval remains a major research topic in several domains, including computer graphics, computer vision, engineering design, etc. A search engine requires primarily an input search query and a database of items to search from. In engineering, which is the primary context of this paper, the database consists of 3D CAD models, such as washers, pistons, connecting rods, etc. A query from a user is typically in the form of a sketch, which attempts to capture the details of a 3D model. However, sketches have certain typical defects such as gaps, over-drawn portions (multi-strokes), etc. Since the retrieved results are only as good as the input query, sketches need cleaning-up and enhancement for better retrieval results. In this paper, a deep learning approach is proposed to improve or clean the query sketches. Initially, sketches from various categories are analysed in order to understand the many possible defects that may occur. A dataset of cleaned-up or enhanced query sketches is then created based on an understanding of these defects. Consequently, an end-to-end training of a deep neural network is carried out in order to provide a mapping between the defective and the clean sketches. This network takes the defective query sketch as the input and generates a clean or an enhanced query sketch. Qualitative and quantitative comparisons of the proposed approach with other state-of-the-art techniques show that the proposed approach is effective. The results of the search engine are reported using both the defective and enhanced query sketches, and it is shown that using the enhanced query sketches from the developed approach yields improved search results.
• Abstract（参考訳）: 検索と検索は、コンピュータグラフィックス、コンピュータビジョン、エンジニアリングデザインなど、いくつかの領域で主要な研究テーマである。 検索エンジンは、主に入力された検索クエリと検索すべき項目のデータベースを必要とする。 本論文の主要な文脈である工学では, データベースは洗濯機, ピストン, 接続棒などの3次元CADモデルで構成されている。 ユーザからのクエリは通常、スケッチの形式で、3Dモデルの詳細をキャプチャしようとする。 しかし、スケッチにはギャップやオーバードローク部分(複数ストローク)などの典型的な欠陥がある。 検索結果が入力クエリに匹敵するほど優れているため、より優れた検索結果を得るためには、スケッチのクリーニングアップとエンハンスメントが必要である。 本稿では,クエリスケッチの改善やクリーン化のために,ディープラーニングアプローチを提案する。 当初、様々なカテゴリのスケッチは、起こりうる多くの欠陥を理解するために分析される。 次に、これらの欠陥の理解に基づいて、クリーンアップまたは拡張クエリスケッチのデータセットを作成する。 これにより、欠陥スケッチとクリーンスケッチとのマッピングを提供するために、ディープニューラルネットワークのエンドツーエンドトレーニングが実行される。 このネットワークは、不良クエリスケッチを入力として、クリーンまたは拡張クエリスケッチを生成する。 提案手法と他の最先端技術との比較により,提案手法の有効性が示された。 検索の結果は,欠陥と拡張されたクエリ・スケッチの両方を用いて報告され,改良したアプローチによる拡張されたクエリ・スケッチを用いることで検索結果が向上することが示されている。

関連論文リスト

• Sketch3D: Style-Consistent Guidance for Sketch-to-3D Generation [55.73399465968594]
  本稿では,テキスト記述と一致する色と入力スケッチに整合した形状のリアルな3Dアセットを生成するための,新しい生成パラダイムSketch3Dを提案する。 3つの戦略は、3次元ガウスの最適化、すなわち分布伝達機構による構造最適化、直感的なMSE損失による色最適化、CLIPに基づく幾何学的類似性損失によるスケッチ類似性最適化である。
  論文  参考訳（メタデータ） (2024-04-02T11:03:24Z)
• Uncertainty-Aware Cross-Modal Transfer Network for Sketch-Based 3D Shape Retrieval [8.765045867163646]
  本稿では,この問題に対処する不確実性を考慮したクロスモーダルトランスファーネットワーク(UACTN)を提案する。 まず、スケッチ機能と不確実性を同時に学習するエンドツーエンドの分類ベースのアプローチを導入する。 そして、3D形状特徴を予め学習したスケッチ埋め込み空間にマッピングして特徴アライメントを行う。
  論文  参考訳（メタデータ） (2023-08-11T05:46:52Z)
• SketchANIMAR: Sketch-based 3D Animal Fine-Grained Retrieval [17.286320102183502]
  我々は,スケッチクエリを用いたデータセットから関連する3D動物モデルを取得することに焦点を当てた,新しいSHRECチャレンジトラックを紹介した。 本コンテストでは,複雑かつ詳細なスケッチに基づいて,参加者が3Dモデルを取得する必要がある。 8つのチームから満足のいく結果が得られ、204回が実行されます。
  論文  参考訳（メタデータ） (2023-04-12T09:40:38Z)
• What Can Human Sketches Do for Object Detection? [127.67444974452411]
  スケッチは非常に表現力が高く、本質的に主観的かつきめ細かい視覚的手がかりを捉えている。 スケッチ可能なオブジェクト検出フレームワークは、 textityou sketch -- textit that zebra' に基づいて検出する。 スケッチベース画像検索(SBIR)のために構築された基礎モデル(例えばCLIP)と既存のスケッチモデルとの直感的な相乗効果を示す。 特に、まず、エンコーダモデルの両方のスケッチブランチで独立に実行し、高度に一般化可能なスケッチとフォトエンコーダを構築する。
  論文  参考訳（メタデータ） (2023-03-27T12:33:23Z)
• Structure-Aware 3D VR Sketch to 3D Shape Retrieval [113.20120789493217]
  われわれは3DVRのスケッチに固有の不正確さによって引き起こされる課題に注目している。 我々は「適合ギャップ」によって引き起こされる適応利得値を持つ三重項損失を用いることを提案する。 観察からではなく、記憶から描かれた202個の3次元形状のための202個のVRスケッチのデータセットを紹介した。
  論文  参考訳（メタデータ） (2022-09-19T14:29:26Z)
• I Know What You Draw: Learning Grasp Detection Conditioned on a Few Freehand Sketches [74.63313641583602]
  そこで本研究では,スケッチ画像に関連のある潜在的な把握構成を生成する手法を提案する。 私たちのモデルは、現実世界のアプリケーションで簡単に実装できるエンドツーエンドで訓練され、テストされています。
  論文  参考訳（メタデータ） (2022-05-09T04:23:36Z)
• Sketch2Model: View-Aware 3D Modeling from Single Free-Hand Sketches [4.781615891172263]
  初心者向けの高速な3Dモデリングを目指し、自由自在なスケッチから3Dメッシュを生成する問題を調査します。 曖昧さを克服するための視点仕様の重要性に対処し,新しい視点認識生成手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T06:27:48Z)
• Sketch Less for More: On-the-Fly Fine-Grained Sketch Based Image Retrieval [203.2520862597357]
  きめ細かいスケッチベースの画像検索(FG-SBIR)は、ユーザのクエリのスケッチから特定の写真インスタンスを検索する問題に対処する。 これらの課題に対処するため、従来のFG-SBIRフレームワークを再構築する。 ユーザが絵を描き始めるとすぐに検索を開始できるオンザフライ設計を提案する。
  論文  参考訳（メタデータ） (2020-02-24T15:36:02Z)
• Deep Self-Supervised Representation Learning for Free-Hand Sketch [51.101565480583304]
  フリーハンドスケッチにおける自己指導型表現学習の課題に対処する。 自己教師型学習パラダイムの成功の鍵は、スケッチ固有の設計にある。 提案手法は最先端の教師なし表現学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T16:28:29Z)

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。