論文の概要: Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE

• arxiv url: http://arxiv.org/abs/2212.03370v1
• Date: Tue, 6 Dec 2022 23:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 16:17:39.073966
• Title: Probabilistic Shape Completion by Estimating Canonical Factors with Hierarchical VAE
• Title（参考訳）: 階層型vaeによる正準因子推定による確率的形状完了
• Authors: Wen Jiang, Kostas Daniilidis
• Abstract要約: 本稿では,点雲の部分観測から3次元形状完成法を提案する。 提案手法は,局所特徴体全体を1つのフィードフォワードネットワークで推定する。 完全特徴量の正準因子を確率的に推定するために, 微小な正準関数を持つ階層的変分オートエンコーダ (VAE) を用いる。
• 参考スコア（独自算出の注目度）: 48.03685702899071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel method for 3D shape completion from a partial observation of a point cloud. Existing methods either operate on a global latent code, which limits the expressiveness of their model, or autoregressively estimate the local features, which is highly computationally extensive. Instead, our method estimates the entire local feature field by a single feedforward network by formulating this problem as a tensor completion problem on the feature volume of the object. Due to the redundancy of local feature volumes, this tensor completion problem can be further reduced to estimating the canonical factors of the feature volume. A hierarchical variational autoencoder (VAE) with tiny MLPs is used to probabilistically estimate the canonical factors of the complete feature volume. The effectiveness of the proposed method is validated by comparing it with the state-of-the-art method quantitatively and qualitatively. Further ablation studies also show the need to adopt a hierarchical architecture to capture the multimodal distribution of possible shapes.
• Abstract（参考訳）: そこで本研究では,点雲の部分観測から3次元形状完成法を提案する。 既存のメソッドはグローバルな潜在コードで動作し、モデルの表現性を制限するか、高い計算量を持つ局所的な特徴を自己回帰的に推定する。 代わりに,この問題を対象の特徴量に対するテンソル補完問題として定式化することにより,単一のフィードフォワードネットワークで局所特徴フィールド全体を推定する。 局所特徴量の冗長性のため、このテンソル補完問題は、特徴量の標準因子を推定するためにさらに減少することができる。 MLPが小さい階層的変分オートエンコーダ(VAE)を用いて、全特徴量の正準因子を確率的に推定する。 提案手法の有効性を, 定量的, 質的に比較することにより検証した。 さらなるアブレーション研究は、可能な形状のマルチモーダル分布を捉えるために階層的アーキテクチャを採用する必要性も示している。

関連論文リスト

• Annealed Stein Variational Gradient Descent for Improved Uncertainty Estimation in Full-Waveform Inversion [25.714206592953545]
  変分推論 (VI) は、パラメトリックまたは非パラメトリックな提案分布の形で後部分布に近似的な解を与える。 本研究は、フルウェーブフォーム・インバージョンにおけるVIの性能向上を目的としている。
  論文  参考訳（メタデータ） (2024-10-17T06:15:26Z)
• Maximum a Posteriori Estimation for Linear Structural Dynamics Models Using Bayesian Optimization with Rational Polynomial Chaos Expansions [0.01578888899297715]
  本稿では,MAP推定のための既存のスパースベイズ学習手法の拡張を提案する。 ベイズ最適化手法を導入し,実験設計を適応的に強化する。 疎性誘導学習と実験設計を組み合わせることで,モデル評価の回数を効果的に削減する。
  論文  参考訳（メタデータ） (2024-08-07T06:11:37Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• MESSY Estimation: Maximum-Entropy based Stochastic and Symbolic densitY Estimation [4.014524824655106]
  MESSY推定は最大エントロピーに基づくグラディエントおよびシンボリックデンシット推定法である。 本研究では,未知分布関数のサンプルを推定記号表現に接続する勾配に基づくドリフト拡散過程を構築する。 基本関数の記号探索を追加することで, 推定精度を合理的な計算コストで向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-07T03:28:47Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
  深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。 我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。 また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-05-09T23:13:58Z)
• 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)

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。