論文の概要: Reduced Representation of Deformation Fields for Effective Non-rigid Shape Matching

• arxiv url: http://arxiv.org/abs/2211.14604v1
• Date: Sat, 26 Nov 2022 16:11:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 20:10:58.494668
• Title: Reduced Representation of Deformation Fields for Effective Non-rigid Shape Matching
• Title（参考訳）: 有効非剛性形状マッチングのための変形場の縮小表現
• Authors: Ramana Sundararaman, Riccardo Marin, Emanuele Rodola, Maks Ovsjanikov
• Abstract要約: 変形場の縮小表現を利用して,非剛体物体間の対応を計算するための新しい手法を提案する。 ネットワークは空間(ノード)における粗い位置の変形パラメータを学習させることにより、滑らかさを保証された閉形式の連続的な変形場を再構築する。 我々のモデルは高い表現力を持ち、複雑な変形を捉えることができる。
• 参考スコア（独自算出の注目度）: 26.77241999731105
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this work we present a novel approach for computing correspondences between non-rigid objects, by exploiting a reduced representation of deformation fields. Different from existing works that represent deformation fields by training a general-purpose neural network, we advocate for an approximation based on mesh-free methods. By letting the network learn deformation parameters at a sparse set of positions in space (nodes), we reconstruct the continuous deformation field in a closed-form with guaranteed smoothness. With this reduction in degrees of freedom, we show significant improvement in terms of data-efficiency thus enabling limited supervision. Furthermore, our approximation provides direct access to first-order derivatives of deformation fields, which facilitates enforcing desirable regularization effectively. Our resulting model has high expressive power and is able to capture complex deformations. We illustrate its effectiveness through state-of-the-art results across multiple deformable shape matching benchmarks. Our code and data are publicly available at: https://github.com/Sentient07/DeformationBasis.
• Abstract（参考訳）: 本稿では,変形場の少ない表現を活用し,非剛性物体間の対応を計算する新しい手法を提案する。 汎用ニューラルネットワークのトレーニングによる変形場を表現する既存の研究とは違って,メッシュフリー手法に基づく近似を提唱する。 ネットワークは空間(ノード)における粗い位置の変形パラメータを学習させることにより、滑らかさを保証した閉形式の連続変形場を再構築する。 このような自由度の減少により、データ効率の面で大きな改善が見られ、監督が制限される。 さらに, 本近似は変形場の一階微分への直接アクセスを提供し, 望ましい正則化を効果的に実施する。 得られたモデルは高い表現力を持ち,複雑な変形を捉えることができる。 複数の変形可能な形状マッチングベンチマークにまたがって,その有効性を示す。 私たちのコードとデータは、https://github.com/sentient07/deformationbasisで公開されています。

関連論文リスト

• Robustifying Generalizable Implicit Shape Networks with a Tunable Non-Parametric Model [10.316008740970037]
  無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。 ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。 本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
  論文  参考訳（メタデータ） (2023-11-21T20:12:29Z)
• Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
  Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。 BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。 本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
  論文  参考訳（メタデータ） (2023-11-10T14:04:49Z)
• Spatially-varying Regularization with Conditional Transformer for Unsupervised Image Registration [11.498623409184225]
  ニューラルネットワークを用いてデータから直接変形正規化器を学習するエンドツーエンドフレームワークを提案する。 提案手法はTransformerベースのモデルに基づいて構築されるが,任意のネットワークアーキテクチャに容易に適応できる。
  論文  参考訳（メタデータ） (2023-03-10T19:11:16Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Topographic VAEs learn Equivariant Capsules [84.33745072274942]
  本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。 このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。 我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
  論文  参考訳（メタデータ） (2021-09-03T09:25:57Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• A method for large diffeomorphic registration via broken geodesics [3.2188961353850187]
  長手データやオブジェクト間データに見られる解剖学的変動は通常、下層の変形によって記述される。 非剛性登録アルゴリズムは広く登録に使われている。 小変形の有限組成に大変形を分解する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-29T06:14:53Z)
• 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)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)

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。