論文の概要: Transfer Learning using Spectral Convolutional Autoencoders on Semi-Regular Surface Meshes

• arxiv url: http://arxiv.org/abs/2212.05810v1
• Date: Mon, 12 Dec 2022 10:13:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 16:58:27.894860
• Title: Transfer Learning using Spectral Convolutional Autoencoders on Semi-Regular Surface Meshes
• Title（参考訳）: 半正則表面メッシュ上のスペクトル畳み込みオートエンコーダを用いた転送学習
• Authors: Sara Hahner, Felix Kerkhoff, Jochen Garcke
• Abstract要約: 本稿では,新しいスペクトルCoSMA(Convolutional Semi-Regular Mesh Autoencoder)ネットワークを提案する。 トレーニング中に提示されない表面を再構成し、表面のパッチの変形挙動を一般化する。 未知の形状の転送学習誤差は、データ上で直接学習されたモデルよりも40%低い。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The underlying dynamics and patterns of 3D surface meshes deforming over time can be discovered by unsupervised learning, especially autoencoders, which calculate low-dimensional embeddings of the surfaces. To study the deformation patterns of unseen shapes by transfer learning, we want to train an autoencoder that can analyze new surface meshes without training a new network. Here, most state-of-the-art autoencoders cannot handle meshes of different connectivity and therefore have limited to no generalization capacities to new meshes. Also, reconstruction errors strongly increase in comparison to the errors for the training shapes. To address this, we propose a novel spectral CoSMA (Convolutional Semi-Regular Mesh Autoencoder) network. This patch-based approach is combined with a surface-aware training. It reconstructs surfaces not presented during training and generalizes the deformation behavior of the surfaces' patches. The novel approach reconstructs unseen meshes from different datasets in superior quality compared to state-of-the-art autoencoders that have been trained on these shapes. Our transfer learning errors on unseen shapes are 40% lower than those from models learned directly on the data. Furthermore, baseline autoencoders detect deformation patterns of unseen mesh sequences only for the whole shape. In contrast, due to the employed regional patches and stable reconstruction quality, we can localize where on the surfaces these deformation patterns manifest.
• Abstract（参考訳）: 時間とともに変形する3次元表面メッシュの基盤となるダイナミクスとパターンは、教師なし学習、特に表面の低次元埋め込みを計算するオートエンコーダによって発見される。 トランスファーラーニングにより未知形状の変形パターンを研究するために,新しいネットワークをトレーニングすることなく,新しい表面メッシュを解析できるオートエンコーダを訓練したい。 ここでは、ほとんどの最先端のオートエンコーダは異なる接続のメッシュを扱えないため、新しいメッシュへの一般化能力に制限される。 また, トレーニング形状の誤差と比較して, 復元誤差が強くなった。 そこで本研究では,新しいスペクトルCoSMA(Convolutional Semi-Regular Mesh Autoencoder)ネットワークを提案する。 このパッチベースのアプローチは、表面認識トレーニングと組み合わせられる。 トレーニング中に提示されない表面を再構成し、表面のパッチの変形挙動を一般化する。 新たなアプローチでは,これらの形状をトレーニングした最先端オートエンコーダと比較して,さまざまなデータセットから未認識のメッシュを優れた品質で再構成する。 データ上で直接学習したモデルよりも,目に見えない形状でのトランスファー学習誤差は40%低い。 さらに、ベースラインオートエンコーダは、全体の形状にのみ、目に見えないメッシュシーケンスの変形パターンを検出する。 対照的に, 使用済みの地域パッチと安定した復元品質により, これらの変形パターンが表れる場所を局所化することができる。

関連論文リスト

• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction [93.18586302123633]
  本稿では3次元点雲列から時間的に一貫した表面を対応なく再構成する問題について考察する。 テンプレート表面表現と学習可能な変形場を統合した教師なし学習フレームワークDynoSurfを提案する。 実験により、DynoSurfの現在の最先端アプローチに対する顕著な優位性を示した。
  論文  参考訳（メタデータ） (2024-03-18T08:58:48Z)
• Are We Using Autoencoders in a Wrong Way? [3.110260251019273]
  オートエンコーダは次元減少、異常検出、特徴抽出に使用される。 潜在空間の形状を変更する不完全なオートエンコーダの標準トレーニングを再考した。 また,データセット全体からランダムサンプルを再構成する場合の潜伏空間の挙動についても検討した。
  論文  参考訳（メタデータ） (2023-09-04T11:22:43Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Mesh Convolutional Autoencoder for Semi-Regular Meshes of Different Sizes [0.0]
  最先端のメッシュ畳み込みオートエンコーダは、オートエンコーダによって処理されるすべての入力メッシュの固定接続を必要とする。 我々は、表面の離散化を、局所的な正則接続を持ち、メッシュが階層的な半正則メッシュに変換する。 我々は、同じメッシュオートエンコーダを異なるデータセットに適用し、再構築エラーは最先端モデルのエラーよりも50%以上低い。
  論文  参考訳（メタデータ） (2021-10-18T15:30:40Z)
• Unsupervised Dense Deformation Embedding Network for Template-Free Shape Correspondence [18.48814403488283]
  現在のディープラーニングベースの手法では、ポイント単位の翻訳を学習するために、高密度アノテーションの監督が必要である。 本研究では,密集した局所特徴から非剛体形状間の変形を予測できる新しい非教師なし変形埋め込みネットワーク(UD2E-Net)を開発した。 我々のUD2E-Netは、ファウストインターチャレンジで24%、ファウストイントラチャレンジで13%、教師なし手法で24%、最先端の非教師なし手法より優れています。
  論文  参考訳（メタデータ） (2021-08-26T07:07:19Z)
• Learning Skeletal Articulations with Neural Blend Shapes [57.879030623284216]
  あらかじめ定義された骨格構造を有するエンベロープを用いて3次元文字を表現できるニューラルテクニックを開発している。 我々のフレームワークは、同じ調音構造を持つリグとスキンキャラクタを学習する。 関節領域の変形品質を向上させるニューラルブレンディング形状を提案します。
  論文  参考訳（メタデータ） (2021-05-06T05:58:13Z)
• Shape My Face: Registering 3D Face Scans by Surface-to-Surface Translation [75.59415852802958]
  Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。 私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
  論文  参考訳（メタデータ） (2020-12-16T20:02:36Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。