論文の概要: GNPM: Geometric-Aware Neural Parametric Models
- arxiv url: http://arxiv.org/abs/2209.10621v1
- Date: Wed, 21 Sep 2022 19:23:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:23:36.645050
- Title: GNPM: Geometric-Aware Neural Parametric Models
- Title(参考訳): gnpm:幾何学的アウェアニューラルパラメトリックモデル
- Authors: Mirgahney Mohamed, Lourdes Agapito
- Abstract要約: 本研究では,データの局所的構造を考慮し,ゆがんだ形状を学習し,4次元力学の潜在空間を呈する学習パラメトリックモデルを提案する。
我々は、人間の様々なデータセット上でGNPMを評価し、訓練中に高密度の通信を必要とする最先端の手法に匹敵する性能を発揮することを示す。
- 参考スコア(独自算出の注目度): 6.620111952225635
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose Geometric Neural Parametric Models (GNPM), a learned parametric
model that takes into account the local structure of data to learn disentangled
shape and pose latent spaces of 4D dynamics, using a geometric-aware
architecture on point clouds. Temporally consistent 3D deformations are
estimated without the need for dense correspondences at training time, by
exploiting cycle consistency. Besides its ability to learn dense
correspondences, GNPMs also enable latent-space manipulations such as
interpolation and shape/pose transfer. We evaluate GNPMs on various datasets of
clothed humans, and show that it achieves comparable performance to
state-of-the-art methods that require dense correspondences during training.
- Abstract(参考訳): 本稿では,GNPM(Geometric Neural Parametric Models)を提案する。このモデルでは,データの局所的構造を考慮し,点雲上の幾何認識アーキテクチャを用いて,不整形を学習し,4次元ダイナミックスの潜時空間を描画する。
サイクル整合性を利用して、トレーニング時に密度の高い対応を必要とせず、時間的に一貫した3次元変形を推定する。
密度の高い対応を学習する能力に加えて、GNPMは補間や形状/位置移動などの潜在空間操作を可能にする。
布を被った人間の様々なデータセット上でGNPMを評価し,訓練中に高密度の通信を必要とする最先端の手法と同等の性能を示すことを示す。
関連論文リスト
- Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳(メタデータ) (2024-11-25T04:06:48Z) - STREAM: A Universal State-Space Model for Sparse Geometric Data [2.9483719973596303]
ポイントクラウドやイベントベースのビジョンなど、非構造化の幾何学的データを扱うことは、マシンビジョンの分野における急激な課題である。
状態空間モデルのパラメータ化に幾何構造を明示的にエンコードすることを提案する。
本モデルでは, スパースデータを最新のハードウェアに効率的にマッピングするために, カーネルを改良したMamba選択状態空間モデルをデプロイする。
論文 参考訳(メタデータ) (2024-11-19T16:06:32Z) - Self Supervised Networks for Learning Latent Space Representations of Human Body Scans and Motions [6.165163123577484]
本稿では,3次元人体解析・処理の分野におけるいくつかの基本的な問題に対処するために,自己教師型ニューラルネットワークモデルを提案する。
身体形状とポーズの潜在空間表現を検索するための新しいアーキテクチャであるVariShaPEを提案する。
第二に、潜時空間の幾何学を学習するフレームワークであるMoGeNで潜時符号の推定を補完する。
論文 参考訳(メタデータ) (2024-11-05T19:59:40Z) - Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - Toward Mesh-Invariant 3D Generative Deep Learning with Geometric
Measures [2.167843405313757]
幾何学的データの取得を可能にする技術が開発されているため、3次元生成モデリングは加速している。
多くの生成学習アルゴリズムは、予測された形状と対象形状を比較する際に、各点間の対応を必要とする。
トレーニングフェーズにおいても,異なるパラメータ化に対処可能なアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-27T19:27:15Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳(メタデータ) (2021-12-14T13:14:24Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - NPMs: Neural Parametric Models for 3D Deformable Shapes [26.87200488085741]
従来のパラメトリックな3Dモデルに代わる新しい学習モデルを提案する。
特に、4次元ダイナミクスを形とポーズの潜在空間表現に分解することを学ぶ。
我々は,NPMがヒトと手の単分子深度配列の再構築と追跡において,パラメトリック状態と非パラメトリック状態の両方よりも顕著に改善していることを示す。
論文 参考訳(メタデータ) (2021-04-01T18:14:56Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - LOCA: LOcal Conformal Autoencoder for standardized data coordinates [6.608924227377152]
多様体の潜在変数に等長な $mathbbRd$ の埋め込みを学ぶ方法を提案する。
我々の埋め込みは, 変形を補正する埋め込みを構成するアルゴリズムであるLOCA (Local Conformal Autoencoder) を用いて得られる。
また、単一サイトWi-FiのローカライゼーションデータにLOCAを適用し、曲面推定を3ドルで行う。
論文 参考訳(メタデータ) (2020-04-15T17:49:37Z)
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。