論文の概要: Structural Causal 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2207.10156v1
• Date: Wed, 20 Jul 2022 19:22:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 12:14:43.040192
• Title: Structural Causal 3D Reconstruction
• Title（参考訳）: 構造因果3次元再構成
• Authors: Weiyang Liu, Zhen Liu, Liam Paull, Adrian Weller, Bernhard Sch\"olkopf
• Abstract要約: 潜在因子のトポロジカル因果順序を捉えるために、潜在空間の構造を考察する。 まず,3次元再構成において異なる因果的順序付けが重要であることを示し,タスク依存因果的順序付けを見つけるためのいくつかのアプローチを探る。 我々の実験は、潜在空間構造が暗黙の正則化として機能し、再構成に有益な帰納バイアスをもたらすことを示した。
• 参考スコア（独自算出の注目度）: 43.097291849527274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers the problem of unsupervised 3D object reconstruction from in-the-wild single-view images. Due to ambiguity and intrinsic ill-posedness, this problem is inherently difficult to solve and therefore requires strong regularization to achieve disentanglement of different latent factors. Unlike existing works that introduce explicit regularizations into objective functions, we look into a different space for implicit regularization -- the structure of latent space. Specifically, we restrict the structure of latent space to capture a topological causal ordering of latent factors (i.e., representing causal dependency as a directed acyclic graph). We first show that different causal orderings matter for 3D reconstruction, and then explore several approaches to find a task-dependent causal factor ordering. Our experiments demonstrate that the latent space structure indeed serves as an implicit regularization and introduces an inductive bias beneficial for reconstruction.
• Abstract（参考訳）: 本稿では,非教師なし3次元オブジェクト再構成の問題点について考察する。 曖昧さと本質的な不備のため、この問題は本質的に解決が困難であり、異なる潜伏因子の解離を達成するためには強い正則化が必要である。 対象関数に明示的な正規化を導入する既存の研究とは異なり、暗黙的な正規化のための異なる空間、すなわち潜在空間の構造を考察する。 具体的には、潜在因子の位相因果順序(すなわち有向非巡回グラフとしての因果依存性を表す)を捉えるために、潜在空間の構造を制限する。 まず,3次元再構成において異なる因果的順序付けが重要であることを示し,タスク依存因果的順序付けを見つけるためのいくつかのアプローチを探る。 我々の実験は、潜在空間構造が暗黙の正則化として機能し、再構成に有益な帰納バイアスをもたらすことを示した。

関連論文リスト

• A Causal Inspired Early-Branching Structure for Domain Generalization [46.55514281988053]
  ドメイン不変セマンティック表現の学習は、ドメインの一般化を達成するために不可欠である。 標準的なトレーニングは、しばしば絡み合った意味とドメイン固有の特徴をもたらす。 これまでの研究は、因果的な観点から問題を定式化することを示唆している。 基本的なフレームワークを補完する2つの戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-13T16:04:29Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• The Topology of Causality [0.0]
  我々は因果関係、非局所性、文脈性の研究のための統一的な枠組みを提供する。 私たちの研究は、アブラムスキーとブランデンブルクの文脈性に関する層理論の枠組みにルーツを持っている。
  論文  参考訳（メタデータ） (2023-03-13T14:20:22Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Causal structure in the presence of sectorial constraints, with application to the quantum switch [0.0]
  既存の量子因果構造の研究は、興味のあるシステム上で任意の操作を実行できると仮定している。 我々は、量子因果モデリングの枠組みを、システムがセクター的制約に悩まされるような状況にまで拡張する。
  論文  参考訳（メタデータ） (2022-04-21T17:18:31Z)
• Causal structure in spin-foams [0.0]
  量子重力のスピンフォームモデルでは、因果構造が果たす役割はほとんど解明されていない。 本研究では, EPRLスピンフォームモデルの因果バージョンを提案し, 半古典的時空幾何の再構成における因果構造の役割について議論する。
  論文  参考訳（メタデータ） (2021-09-02T14:37:42Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。