論文の概要: PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation

• arxiv url: http://arxiv.org/abs/2207.11790v1
• Date: Sun, 24 Jul 2022 18:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:41:51.240720
• Title: PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation
• Title（参考訳）: PatchRD: パターン検索と変形の学習による詳細な形状保存
• Authors: Bo Sun, Vladimir G. Kim, Noam Aigerman, Qixing Huang, Siddhartha Chaudhuri
• Abstract要約: 本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
• 参考スコア（独自算出の注目度）: 59.70430570779819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a data-driven shape completion approach that focuses on completing geometric details of missing regions of 3D shapes. We observe that existing generative methods lack the training data and representation capacity to synthesize plausible, fine-grained details with complex geometry and topology. Our key insight is to copy and deform patches from the partial input to complete missing regions. This enables us to preserve the style of local geometric features, even if it drastically differs from the training data. Our fully automatic approach proceeds in two stages. First, we learn to retrieve candidate patches from the input shape. Second, we select and deform some of the retrieved candidates to seamlessly blend them into the complete shape. This method combines the advantages of the two most common completion methods: similarity-based single-instance completion, and completion by learning a shape space. We leverage repeating patterns by retrieving patches from the partial input, and learn global structural priors by using a neural network to guide the retrieval and deformation steps. Experimental results show our approach considerably outperforms baselines across multiple datasets and shape categories. Code and data are available at https://github.com/GitBoSun/PatchRD.
• Abstract（参考訳）: 本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 既存の生成法では訓練データや表現能力が欠如しており、複雑な幾何学やトポロジーで精細な細部を合成できる。 私たちの重要な洞察は、パッチを部分的な入力から完全な欠落領域にコピーして変形させることです。 これにより、トレーニングデータと大きく異なる場合でも、局所的な幾何学的特徴のスタイルを維持できる。 完全に自動化されたアプローチは2段階に進む。 まず、入力形状から候補パッチを取得することを学ぶ。 第二に、検索された候補のいくつかを選択して変形し、それらをシームレスに完全な形にブレンドします。 この方法は、類似性に基づく単一インスタンス補完と形状空間の学習による補完という、2つの最も一般的な補完手法の利点を組み合わせたものである。 部分入力からパッチを検索して繰り返しパターンを活用し,ニューラルネットワークを用いて検索と変形のステップを導くことにより,グローバル構造事前学習を行う。 実験の結果,複数のデータセットと形状カテゴリのベースラインをはるかに上回る結果が得られた。 コードとデータはhttps://github.com/GitBoSun/PatchRD.comで公開されている。

関連論文リスト

• DiffComplete: Diffusion-based Generative 3D Shape Completion [114.43353365917015]
  3次元レンジスキャンにおける形状完成のための拡散に基づく新しいアプローチを提案する。 私たちはリアリズム、マルチモダリティ、高忠実さのバランスを取ります。 DiffCompleteは2つの大規模3次元形状補完ベンチマークに新しいSOTA性能を設定する。
  論文  参考訳（メタデータ） (2023-06-28T16:07:36Z)
• Shape Completion via IMLE [9.716911810130576]
  形状完了は部分的なスキャンなどの部分的な入力形状を完了させる問題である。 本稿では,一対多のマッピングを効果的に学習できる新しいマルチモーダル形状補完手法を提案する。 本手法は, 形状の完全性と多様性の観点から, 代替案よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-30T17:45:10Z)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)
• Cascaded Refinement Network for Point Cloud Completion [74.80746431691938]
  本稿では,細かな物体形状を合成するための粗大な戦略とともに,カスケード型精細化ネットワークを提案する。 部分入力の局所的な詳細と大域的な形状情報を合わせて考えると、既存の詳細を不完全点集合に保存することができる。 また、各局所領域が同じパターンと基底的真理を持つことを保証し、複雑な点分布を学習するパッチ判別器を設計する。
  論文  参考訳（メタデータ） (2020-04-07T13:03:29Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。