論文の概要: Learning Canonical Embeddings for Unsupervised Shape Correspondence with
Locally Linear Transformations
- arxiv url: http://arxiv.org/abs/2209.02152v2
- Date: Wed, 7 Sep 2022 03:31:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 11:50:20.444397
- Title: Learning Canonical Embeddings for Unsupervised Shape Correspondence with
Locally Linear Transformations
- Title（参考訳）: 局所線形変換による教師なし形状対応のための標準埋め込み学習
- Authors: Pan He, Patrick Emami, Sanjay Ranka, Anand Rangarajan
- Abstract要約: 我々は,古典的局所線形埋め込みアルゴリズム(LLE)を形状対応に適用する最初の試みを行う。
新たなLLEにインスパイアされた点雲再構成目標を用いて埋め込みを学習すると,正確な形状対応が得られることを示す。
- 参考スコア（独自算出の注目度）: 11.69144204466843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new approach to unsupervised shape correspondence learning
between pairs of point clouds. We make the first attempt to adapt the classical
locally linear embedding algorithm (LLE) -- originally designed for nonlinear
dimensionality reduction -- for shape correspondence. The key idea is to find
dense correspondences between shapes by first obtaining high-dimensional
neighborhood-preserving embeddings of low-dimensional point clouds and
subsequently aligning the source and target embeddings using locally linear
transformations. We demonstrate that learning the embedding using a new
LLE-inspired point cloud reconstruction objective results in accurate shape
correspondences. More specifically, the approach comprises an end-to-end
learnable framework of extracting high-dimensional neighborhood-preserving
embeddings, estimating locally linear transformations in the embedding space,
and reconstructing shapes via divergence measure-based alignment of
probabilistic density functions built over reconstructed and target shapes. Our
approach enforces embeddings of shapes in correspondence to lie in the same
universal/canonical embedding space, which eventually helps regularize the
learning process and leads to a simple nearest neighbors approach between shape
embeddings for finding reliable correspondences. Comprehensive experiments show
that the new method makes noticeable improvements over state-of-the-art
approaches on standard shape correspondence benchmark datasets covering both
human and nonhuman shapes.
- Abstract（参考訳）: 本稿では,一対の点雲間の教師なし形状対応学習に対する新しいアプローチを提案する。
従来の局所線形埋め込みアルゴリズム (lle) を, 非線形次元の低減のために設計し, 形状対応に応用する試みを初めて行った。
鍵となる考え方は、まず低次元点雲の高次元近傍保存埋め込みを取得し、次いで局所線型変換を用いてソースとターゲットの埋め込みを整列させることによって、形状間の密接な対応を見つけることである。
新たなLLEにインスパイアされた点雲再構成目標を用いて埋め込みを学習すると,正確な形状対応が得られることを示す。
より具体的には、このアプローチは、高次元近傍保存埋め込みを抽出し、埋め込み空間内の局所線形変換を推定し、再構成および目標形状の上に構築された確率的密度関数の分岐測度に基づくアライメントによって形状を再構築するエンドツーエンド学習可能な枠組みを含む。
提案手法では, 同一の普遍的/正準的埋め込み空間に配置する形状の埋め込みを強制し, 学習過程の正規化に役立ち, 信頼性の高い対応を見つけるために, 形状埋め込み間の簡単な近接アプローチを導出する。
包括的実験により、この新手法は、人間と非人間の両方の形状をカバーする標準形状対応ベンチマークデータセットに対する最先端アプローチよりも顕著に改善されていることが示された。
関連論文リスト
- Curvy: A Parametric Cross-section based Surface Reconstruction [2.1165011830664677]
本稿では, 平面スパース断面を用いた新しい形状点雲の再構成手法を提案する。
我々は、適応分割を用いたコンパクトなパラメトリックポリライン表現を用いて断面を表現し、グラフニューラルネットワークを用いて学習を行い、基礎となる形状を再構築する。
論文 参考訳（メタデータ） (2024-09-01T20:15:08Z) - 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) - Bending Graphs: Hierarchical Shape Matching using Gated Optimal
Transport [80.64516377977183]
形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。
局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。
本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
論文 参考訳（メタデータ） (2022-02-03T11:41:46Z) - Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。
我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
論文 参考訳（メタデータ） (2021-10-06T18:09:13Z) - Representing Shape Collections with Alignment-Aware Linear Models [17.635846912560627]
3次元点雲の古典的表現を線形形状モデルとして再考する。
私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
論文 参考訳（メタデータ） (2021-09-03T16:28:34Z) - Learning to generate shape from global-local spectra [0.0]
我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。
我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。
提案手法は既存手法や代替手法と比較して改善された。
論文 参考訳（メタデータ） (2021-08-04T16:39:56Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Mapping in a cycle: Sinkhorn regularized unsupervised learning for point
cloud shapes [47.49826669394906]
点雲形状間の密接な対応を見つけるための教師なし学習フレームワークを提案する。
点クラウドデータから識別点的特徴を学習するために、シンクホーン正規化に基づく正規化項を定式化する。
そこで本研究では, 部分分割性能を向上させるために, 教師付き手法により, 学習ポイントワイドな特徴を活用できることを述べる。
論文 参考訳（メタデータ） (2020-07-19T05:21:33Z) - Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。
多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。
本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。
実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文 参考訳（メタデータ） (2020-07-07T10:04:28Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。