論文の概要: Unsupervised Deep Multi-Shape Matching
- arxiv url: http://arxiv.org/abs/2207.09610v1
- Date: Wed, 20 Jul 2022 01:22:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 12:56:17.300049
- Title: Unsupervised Deep Multi-Shape Matching
- Title（参考訳）: 教師なし深層形状マッチング
- Authors: Dongliang Cao, Florian Bernard
- Abstract要約: 3次元形状マッチングは、コンピュータビジョンとコンピュータグラフィックスにおける長年の問題である。
本稿では, サイクル一貫性のあるマルチマッチングを実現するための, 深層多形マッチング手法を提案する。
提案手法は、いくつかの挑戦的なベンチマークデータセットに対して、最先端の結果を達成している。
- 参考スコア（独自算出の注目度）: 15.050801537501462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D shape matching is a long-standing problem in computer vision and computer
graphics. While deep neural networks were shown to lead to state-of-the-art
results in shape matching, existing learning-based approaches are limited in
the context of multi-shape matching: (i) either they focus on matching pairs of
shapes only and thus suffer from cycle-inconsistent multi-matchings, or (ii)
they require an explicit template shape to address the matching of a collection
of shapes. In this paper, we present a novel approach for deep multi-shape
matching that ensures cycle-consistent multi-matchings while not depending on
an explicit template shape. To this end, we utilise a shape-to-universe
multi-matching representation that we combine with powerful functional map
regularisation, so that our multi-shape matching neural network can be trained
in a fully unsupervised manner. While the functional map regularisation is only
considered during training time, functional maps are not computed for
predicting correspondences, thereby allowing for fast inference. We demonstrate
that our method achieves state-of-the-art results on several challenging
benchmark datasets, and, most remarkably, that our unsupervised method even
outperforms recent supervised methods.
- Abstract（参考訳）: 3d形状マッチングは、コンピュータビジョンとコンピュータグラフィックスにおける長年の問題である。
深層ニューラルネットワークは形状整合の最先端の結果をもたらすことが示されたが、既存の学習に基づくアプローチは、マルチ形状整合の文脈では限られている。
(i)一対の形状にのみ焦点を合わせ、サイクル不整合に苦しむか、または
(ii) 形状の集合の一致に対処するために明示的なテンプレート形状が必要である。
本稿では,明示的なテンプレート形状に依存しないサイクル一貫性のあるマルチマッチングを実現するための,深層多形マッチング手法を提案する。
この目的のために、我々は、強力な関数型マップ正規化と組み合わせた形状対一のマルチマッチング表現を利用して、我々のマルチ形状マッチングニューラルネットワークを完全に教師なしで訓練することができる。
関数写像正則化は訓練期間中にのみ考慮されるが、対応を予測するために関数写像は計算されないため、高速な推論が可能となる。
提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果が得られたことを実証する。
関連論文リスト
- Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳（メタデータ） (2024-02-29T07:26:23Z) - Geometrically Consistent Partial Shape Matching [50.29468769172704]
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とグラフィックスにおいて重要な問題である。
しばしば無視されるが、整合幾何学の重要な性質は整合性である。
本稿では,新しい整数型線形計画部分形状整合式を提案する。
論文 参考訳（メタデータ） (2023-09-10T12:21:42Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳（メタデータ） (2023-09-09T16:21:56Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳（メタデータ） (2023-04-27T02:12:47Z) - Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching [15.050801537501462]
我々は、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入する。
我々の形状マッチングアプローチは、三角形メッシュ、完全点雲、部分的に観察された点雲のモード内対応を得ることを可能にする。
提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果を達成できることを実証する。
論文 参考訳（メタデータ） (2023-03-20T09:47:02Z) - NCP: Neural Correspondence Prior for Effective Unsupervised Shape
Matching [31.61255365182462]
我々は3次元形状間の対応を計算するための新しいパラダイムであるニューラル対応優先(NCP)を提案する。
我々のアプローチは完全に教師なしであり、挑戦する場合でも高品質な対応に繋がる可能性がある。
NCPは、多くのタスクにおいて、データ効率、高速、そして最先端の結果であることを示す。
論文 参考訳（メタデータ） (2023-01-14T07:22:18Z) - G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity
Priors [52.646396621449]
G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。
学習形態の集合に親和性グラフを自己教師型で構築する。
近年の形状対応ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2022-12-06T12:09:24Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Isometric Multi-Shape Matching [50.86135294068138]
形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。
アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。
定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
論文 参考訳（メタデータ） (2020-12-04T15:58:34Z)
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。