論文の概要: SHREC'22 Track: Sketch-Based 3D Shape Retrieval in the Wild

• arxiv url: http://arxiv.org/abs/2207.04945v1
• Date: Mon, 11 Jul 2022 15:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 17:32:11.425046
• Title: SHREC'22 Track: Sketch-Based 3D Shape Retrieval in the Wild
• Title（参考訳）: shrec'22トラック:スケッチベースの3d形状検索
• Authors: Jie Qin, Shuaihang Yuan, Jiaxin Chen, Boulbaba Ben Amor, Yi Fang, Nhat Hoang-Xuan, Chi-Bien Chu, Khoi-Nguyen Nguyen-Ngoc, Thien-Tri Cao, Nhat-Khang Ngo, Tuan-Luc Huynh, Hai-Dang Nguyen, Minh-Triet Tran, Haoyang Luo, Jianning Wang, Zheng Zhang, Zihao Xin, Yang Wang, Feng Wang, Ying Tang, Haiqin Chen, Yan Wang, Qunying Zhou, Ji Zhang, Hongyuan Wang
• Abstract要約: このトラックでは,異なるレベルの描画スキルを持つアマチュアが描いた大規模なスケッチが採用されている。 46,000以上のCADモデル,1700のリアルモデル,145,000のスケッチからなる2つのベンチマークを構築した。 4チームがこのトラックに参加し,2つのタスクに対して15回の実行を提出した。
• 参考スコア（独自算出の注目度）: 45.25315209733826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sketch-based 3D shape retrieval (SBSR) is an important yet challenging task, which has drawn more and more attention in recent years. Existing approaches address the problem in a restricted setting, without appropriately simulating real application scenarios. To mimic the realistic setting, in this track, we adopt large-scale sketches drawn by amateurs of different levels of drawing skills, as well as a variety of 3D shapes including not only CAD models but also models scanned from real objects. We define two SBSR tasks and construct two benchmarks consisting of more than 46,000 CAD models, 1,700 realistic models, and 145,000 sketches in total. Four teams participated in this track and submitted 15 runs for the two tasks, evaluated by 7 commonly-adopted metrics. We hope that, the benchmarks, the comparative results, and the open-sourced evaluation code will foster future research in this direction among the 3D object retrieval community.
• Abstract（参考訳）: スケッチベースの3次元形状検索(SBSR)は重要な課題であるが、近年はますます注目を集めている。 既存のアプローチは、実際のアプリケーションシナリオを適切にシミュレートすることなく、制限された設定でこの問題に対処する。 リアルな設定を模倣するために、このトラックでは、異なるレベルの描画スキルを持つアマチュアが描いた大規模なスケッチと、cadモデルだけでなく、実物からスキャンされたモデルを含む様々な3d形状を採用する。 2つのSBSRタスクを定義し,46,000以上のCADモデル,1,700のリアルモデル,145,000のスケッチからなるベンチマークを構築した。 4チームがこのトラックに参加し,2つのタスクに対して15回の実行を提出した。 ベンチマーク,比較結果,オープンソース評価コードにより,3Dオブジェクト検索コミュニティにおけるこの方向の今後の研究が促進されることを期待する。

関連論文リスト

• FastCAD: Real-Time CAD Retrieval and Alignment from Scans and Videos [4.36478623815937]
  FastCADは、シーン内のすべてのオブジェクトに対してCADモデルを同時に取得およびアライメントするリアルタイムメソッドである。 単段法は,RGB-Dスキャンで動作している他の手法と比較して,推論時間を50倍に高速化する。 これにより、10FPSでビデオからCADモデルに基づく正確な再構成をリアルタイムに生成できる。
  論文  参考訳（メタデータ） (2024-03-22T12:20:23Z)
• FreeZe: Training-free zero-shot 6D pose estimation with geometric and vision foundation models [5.754251195342313]
  私たちは、特定のデータでトレーニングすることなく、同じタスクに取り組む方法を示します。 我々は、事前学習された幾何学的および視覚的基礎モデルの能力を利用する新しいソリューションFreeZeを提案する。 FreeZeは、合成6Dポーズ推定データで広く訓練されたライバルを含む、最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-12-01T22:00:14Z)
• Model2Scene: Learning 3D Scene Representation via Contrastive Language-CAD Models Pre-training [105.3421541518582]
  現在成功している3次元シーン認識法は、大規模アノテートされた点雲に依存している。 CAD(Computer-Aided Design)モデルと言語から自由な3Dシーン表現を学習する新しいパラダイムであるModel2Sceneを提案する。 Model2Sceneは、平均mAPが46.08%、ScanNetとS3DISのデータセットが55.49%という、ラベルなしの優れた3Dオブジェクトのサリエント検出をもたらす。
  論文  参考訳（メタデータ） (2023-09-29T03:51:26Z)
• SHARP Challenge 2023: Solving CAD History and pArameters Recovery from Point clouds and 3D scans. Overview, Datasets, Metrics, and Baselines [16.623591010809022]
  3DスキャンによるCADモデルの3次元リバースエンジニアリングはCAD産業にとって最も望まれる目標の1つと考えられている。 SHARP Challenge 2023は、専用のデータセットとトラックを通じてCADリバースエンジニアリングの現実シナリオに一歩近づくことを目的としている。
  論文  参考訳（メタデータ） (2023-08-30T11:42:54Z)
• 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)
• MegaPose: 6D Pose Estimation of Novel Objects via Render & Compare [84.80956484848505]
  MegaPoseは、トレーニング中に見えない新しいオブジェクトの6Dポーズを推定する方法である。 本稿では,新しいオブジェクトに適用可能なR&Compare戦略に基づく6次元ポーズリファインダを提案する。 第2に,合成レンダリングと同一物体の観察画像間のポーズ誤差をリファインダで補正できるか否かを分類するために訓練されたネットワークを利用する,粗いポーズ推定のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-13T19:30:03Z)
• 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)
• DifferSketching: How Differently Do People Sketch 3D Objects? [78.44544977215918]
  3Dオブジェクトの描画方法を理解するために,複数のスケッチデータセットが提案されている。 これらのデータセットは、しばしば小さなスケールで、オブジェクトやカテゴリの小さなセットをカバーする。 本研究では,空間的特徴と時間的特性の両面から,収集したデータをスケッチレベル,ストロークレベル,ピクセルレベルという3つのレベルで解析する。
  論文  参考訳（メタデータ） (2022-09-19T06:52:18Z)
• Gait Recognition in the Wild with Dense 3D Representations and A Benchmark [86.68648536257588]
  既存の歩行認識の研究は、制約されたシーンにおける人間の体のシルエットや骨格のような2D表現によって支配されている。 本稿では,野生における歩行認識のための高密度な3次元表現の探索を目的とする。 大規模な3D表現に基づく歩行認識データセットGait3Dを構築した。
  論文  参考訳（メタデータ） (2022-04-06T03:54:06Z)

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。