論文の概要: Convex Relaxations for Isometric and Equiareal NRSfM

• arxiv url: http://arxiv.org/abs/2211.16005v3
• Date: Mon, 28 Oct 2024 16:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:37:08.423321
• Title: Convex Relaxations for Isometric and Equiareal NRSfM
• Title（参考訳）: 等尺的および等角的NRSfMに対する凸緩和法
• Authors: Agniva Sengupta, Adrien Bartoli,
• Abstract要約: 本研究では,NRSfMの準等尺性への挑戦に対処するために凸緩和法を提案する。 我々は、よく知られたベンチマークを含む複数の実合成データに対して、本手法の有効性を検証する。
• 参考スコア（独自算出の注目度）: 14.589210648783663
• License:
• Abstract: Extensible objects form a challenging case for NRSfM, owing to the lack of a sufficiently constrained extensible model of the point-cloud. We tackle the challenge by proposing 1) convex relaxations of the isometric model up to quasi-isometry, and 2) convex relaxations involving the equiareal deformation model, which preserves local area and has not been used in NRSfM. The equiareal model is appealing because it is physically plausible and widely applicable. However, it has two main difficulties: first, when used on its own, it is ambiguous, and second, it involves quartic, hence highly nonconvex, constraints. Our approach handles the first difficulty by mixing the equiareal with the isometric model and the second difficulty by new convex relaxations. We validate our methods on multiple real and synthetic data, including well-known benchmarks.
• Abstract（参考訳）: 拡張可能なオブジェクトは、ポイントクラウドの十分に制約された拡張可能なモデルがないため、NRSfMにとって難しいケースを形成する。 私たちは提案することで挑戦に挑戦する 1)等尺模型の準等尺性への凸緩和、及び 2) 局所領域を保存し, NRSfMでは使用されていない等質変形モデルを含む凸緩和について検討した。 等質モデルは、物理的に可算であり、広く適用できるため、魅力的である。 しかし、2つの大きな困難がある: 1つは、単独で使用するとき、あいまいで、もう1つは、クォート的であり、したがって非常に非凸な制約である。 本手法は等方性理論と等方性モデルとを混合し,新しい凸緩和法により第2の困難を解消する。 我々は、よく知られたベンチマークを含む複数の実データおよび合成データに対して、本手法の有効性を検証する。

関連論文リスト

• Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• A Two-Scale Complexity Measure for Deep Learning Models [2.7446241148152257]
  有効次元に基づく統計モデルのための新しいキャパシティ尺度2sEDを導入する。 新しい量は、モデル上の軽度の仮定の下で一般化誤差を証明的に有界にする。 標準データセットと一般的なモデルアーキテクチャのシミュレーションは、2sEDがトレーニングエラーとよく相関していることを示している。
  論文  参考訳（メタデータ） (2024-01-17T12:50:50Z)
• A U-turn on Double Descent: Rethinking Parameter Counting in Statistical Learning [68.76846801719095]
  二重降下がいつどこで起こるのかを正確に示し、その位置が本質的に閾値 p=n に結び付けられていないことを示す。 これは二重降下と統計的直観の間の緊張を解消する。
  論文  参考訳（メタデータ） (2023-10-29T12:05:39Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Git Re-Basin: Merging Models modulo Permutation Symmetries [3.5450828190071655]
  提案手法は,大規模ネットワークに適合する簡単なアルゴリズムを実例で示す。 我々は、独立に訓練されたモデル間のゼロモード接続の最初のデモ(私たちの知る限り)を実演する。 また、線形モード接続仮説の欠点についても論じる。
  論文  参考訳（メタデータ） (2022-09-11T10:44:27Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)
• Provable Model-based Nonlinear Bandit and Reinforcement Learning: Shelve Optimism, Embrace Virtual Curvature [61.22680308681648]
  決定論的報酬を有する1層ニューラルネットバンディットにおいても,グローバル収束は統計的に難解であることを示す。 非線形バンディットとRLの両方に対して,オンラインモデル学習者による仮想アセンジ(Virtual Ascent with Online Model Learner)というモデルベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-08T12:41:56Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• Recovery Guarantees for Quadratic Tensors with Sparse Observations [33.7717121677891]
  テンソルの欠落を予測できる完備化問題を考察する。 一般的に使用されるCPモデルは三重積形式であるが、別の積の族である。 データ量が限られているCPモデルよりも2次モデルの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2018-10-31T23:05:22Z)

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。