論文の概要: Structure-Aware 3D VR Sketch to 3D Shape Retrieval

• arxiv url: http://arxiv.org/abs/2209.09043v1
• Date: Mon, 19 Sep 2022 14:29:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 18:37:42.269223
• Title: Structure-Aware 3D VR Sketch to 3D Shape Retrieval
• Title（参考訳）: 立体形状検索のための構造対応3DVRスケッチ
• Authors: Ling Luo, Yulia Gryaditskaya, Tao Xiang, Yi-Zhe Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 113.20120789493217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the practical task of fine-grained 3D-VR-sketch-based 3D shape retrieval. This task is of particular interest as 2D sketches were shown to be effective queries for 2D images. However, due to the domain gap, it remains hard to achieve strong performance in 3D shape retrieval from 2D sketches. Recent work demonstrated the advantage of 3D VR sketching on this task. In our work, we focus on the challenge caused by inherent inaccuracies in 3D VR sketches. We observe that retrieval results obtained with a triplet loss with a fixed margin value, commonly used for retrieval tasks, contain many irrelevant shapes and often just one or few with a similar structure to the query. To mitigate this problem, we for the first time draw a connection between adaptive margin values and shape similarities. In particular, we propose to use a triplet loss with an adaptive margin value driven by a "fitting gap", which is the similarity of two shapes under structure-preserving deformations. We also conduct a user study which confirms that this fitting gap is indeed a suitable criterion to evaluate the structural similarity of shapes. Furthermore, we introduce a dataset of 202 VR sketches for 202 3D shapes drawn from memory rather than from observation. The code and data are available at https://github.com/Rowl1ng/Structure-Aware-VR-Sketch-Shape-Retrieval.
• Abstract（参考訳）: 細粒度3D-VR-スケッチによる3次元形状検索の実践課題について検討する。 この課題は、2D画像の効率的なクエリである2Dスケッチが示され、特に興味深い。 しかし, 領域ギャップのため, 2次元スケッチからの3次元形状検索において, 強力な性能を達成することは困難である。 最近の研究は、このタスクで3dvrスケッチの利点を実証した。 われわれの研究は、3DVRのスケッチに固有の不正確さに起因する課題に焦点を当てている。 検索タスクによく使用される固定マージン値の3重項損失が得られた検索結果には,無関係な形状が多数含まれており,クエリに類似した構造を持つ場合も少なくない。 この問題を緩和するために、適応的マージン値と形状類似性との間に初めて接続を描く。 特に,構造保存変形下での2つの形状の類似性である「フィッティングギャップ」によって駆動される適応マージン値を持つ三重項損失を用いることを提案する。 また,このフィッティングギャップが,形状の類似性を評価するのに適した基準であることを確認するユーザスタディも実施する。 さらに,観察ではなくメモリから描画した202種類の3次元形状に対する202個のvrスケッチのデータセットを提案する。 コードとデータはhttps://github.com/Rowl1ng/Structure-Aware-VR-Sketch-Shape-Retrievalで公開されている。

関連論文リスト

• RAFaRe: Learning Robust and Accurate Non-parametric 3D Face Reconstruction from Pseudo 2D&3D Pairs [13.11105614044699]
  単視3次元顔再構成(SVFR)のための頑健で正確な非パラメトリック手法を提案する。 大規模な擬似2D&3Dデータセットは、まず詳細な3D顔をレンダリングし、野生の画像の顔と描画された顔とを交換することによって作成される。 本モデルは,FaceScape-wild/labおよびMICCベンチマークにおいて,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-10T19:40:26Z)
• Towards 3D VR-Sketch to 3D Shape Retrieval [128.47604316459905]
  入力モダリティとしての3Dスケッチの利用について検討し、検索を行うVRシナリオを提唱する。 この新しい3DVR-Sketchから3D形状の検索問題に対する最初のスタンプとして、私たちは4つのコントリビューションを行います。
  論文  参考訳（メタデータ） (2022-09-20T22:04:31Z)
• Fine-Grained VR Sketching: Dataset and Insights [140.0579567561475]
  1,497個のVRスケッチと大きな形状の椅子カテゴリーの3次元形状ペアの最初の詳細なデータセットを提示する。 我々のデータセットは、きめ細かいデータ分析に関するスケッチコミュニティの最近のトレンドをサポートする。
  論文  参考訳（メタデータ） (2022-09-20T21:30:54Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
  大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。 まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。 次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。 第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
  論文  参考訳（メタデータ） (2021-04-06T02:22:24Z)

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。