論文の概要: Unsupervised 3D Shape Reconstruction by Part Retrieval and Assembly

• arxiv url: http://arxiv.org/abs/2303.01999v1
• Date: Fri, 3 Mar 2023 15:11:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 14:29:20.087007
• Title: Unsupervised 3D Shape Reconstruction by Part Retrieval and Assembly
• Title（参考訳）: 部品検索と組立による教師なし3次元形状復元
• Authors: Xianghao Xu, Paul Guerrero, Matthew Fisher, Siddhartha Chaudhuri and Daniel Ritchie
• Abstract要約: ユーザが提供した3Dパーツのライブラリを用いて形状を分解する。 提案手法は,既存手法よりも高い再現精度と望ましい分解性を示す。
• 参考スコア（独自算出の注目度）: 36.16249417050003
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Representing a 3D shape with a set of primitives can aid perception of structure, improve robotic object manipulation, and enable editing, stylization, and compression of 3D shapes. Existing methods either use simple parametric primitives or learn a generative shape space of parts. Both have limitations: parametric primitives lead to coarse approximations, while learned parts offer too little control over the decomposition. We instead propose to decompose shapes using a library of 3D parts provided by the user, giving full control over the choice of parts. The library can contain parts with high-quality geometry that are suitable for a given category, resulting in meaningful decompositions with clean geometry. The type of decomposition can also be controlled through the choice of parts in the library. Our method works via a self-supervised approach that iteratively retrieves parts from the library and refines their placements. We show that this approach gives higher reconstruction accuracy and more desirable decompositions than existing approaches. Additionally, we show how the decomposition can be controlled through the part library by using different part libraries to reconstruct the same shapes.
• Abstract（参考訳）: プリミティブのセットで3D形状を表現することは、構造の認識を助け、ロボットオブジェクト操作を改善し、3D形状の編集、スタイリゼーション、圧縮を可能にする。 既存の手法では単純なパラメトリックプリミティブを使うか、部品の生成形空間を学ぶ。 パラメトリックプリミティブは粗い近似につながり、学習された部分は分解に対する制御が少なすぎる。 代わりに,ユーザが提供する3Dパーツのライブラリを使って形状を分解し,部品の選択を完全に制御することを提案する。 このライブラリは、所定のカテゴリに適した高品質な幾何学を含むことができ、クリーンな幾何学による意味のある分解をもたらす。 分解のタイプは、ライブラリ内の部品の選択によって制御することもできる。 本手法は,図書館から部品を反復的に抽出し,配置を洗練する自己監督アプローチによって動作する。 本手法は,既存の手法よりも高い再構成精度とより望ましい分解をもたらすことを示す。 さらに,異なる部分ライブラリを用いて同じ形状を再構築することにより,分解をどのように制御できるかを示す。

関連論文リスト

• Hierarchical Superquadric Decomposition with Implicit Space Separation [1.0832844764942349]
  ボリュームプリミティブの集合、すなわちスーパークワッドリックを用いて3Dオブジェクトを再構成する新しい手法を提案する。 この方法は、ターゲットの3Dオブジェクトを、より細部と細部を回復するスーパークワッドリックのペアに階層的に分解する。 この方法はShapeNetデータセットでトレーニングされ、評価される。
  論文  参考訳（メタデータ） (2022-09-15T21:34:46Z)
• ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
  本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。 形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。 本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-27T00:01:40Z)
• DensePose 3D: Lifting Canonical Surface Maps of Articulated Objects to the Third Dimension [71.71234436165255]
  DensePose 3Dは2次元画像アノテーションのみから弱い教師付きで再構築を学習できる手法である。 3Dスキャンを必要としないため、DensePose 3Dは異なる動物種などの幅広いカテゴリーの学習に利用できる。 我々は,人間と動物のカテゴリーの合成データと実データの両方をベースラインとして,最先端の非剛体構造と比較し,顕著な改善を示した。
  論文  参考訳（メタデータ） (2021-08-31T18:33:55Z)
• Discovering 3D Parts from Image Collections [98.16987919686709]
  本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。 そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。 私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
  論文  参考訳（メタデータ） (2021-07-28T20:29:16Z)
• AutoSweep: Recovering 3D Editable Objectsfrom a Single Photograph [54.701098964773756]
  セマンティックな部分で3Dオブジェクトを復元し、直接編集することを目的としている。 我々の研究は、一般化された立方体と一般化されたシリンダーという、2種類の原始的な形状の物体を回収する試みである。 提案アルゴリズムは,高品質な3Dモデルを復元し,既存手法のインスタンスセグメンテーションと3D再構成の両方で性能を向上する。
  論文  参考訳（メタデータ） (2020-05-27T12:16:24Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。