論文の概要: Category-Level Multi-Part Multi-Joint 3D Shape Assembly
- arxiv url: http://arxiv.org/abs/2303.06163v1
- Date: Fri, 10 Mar 2023 19:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 20:41:40.562119
- Title: Category-Level Multi-Part Multi-Joint 3D Shape Assembly
- Title(参考訳): カテゴリーレベルマルチパートマルチジョイント3次元形状アセンブリ
- Authors: Yichen Li, Kaichun Mo, Yueqi Duan, He Wang, Jiequan Zhang, Lin Shao,
Wojciech Matusik, Leonidas Guibas
- Abstract要約: グラフ表現学習の2段階からなる階層的なグラフ学習手法を提案する。
部分グラフは、所望の形状構造を構築するための入力として部分ジオメトリを取る。
ジョイントレベルグラフは、部分ジョイント情報を使用し、整合性や整合性に重点を置いている。
- 参考スコア(独自算出の注目度): 36.74814134087434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shape assembly composes complex shapes geometries by arranging simple part
geometries and has wide applications in autonomous robotic assembly and CAD
modeling. Existing works focus on geometry reasoning and neglect the actual
physical assembly process of matching and fitting joints, which are the contact
surfaces connecting different parts. In this paper, we consider contacting
joints for the task of multi-part assembly. A successful joint-optimized
assembly needs to satisfy the bilateral objectives of shape structure and joint
alignment. We propose a hierarchical graph learning approach composed of two
levels of graph representation learning. The part graph takes part geometries
as input to build the desired shape structure. The joint-level graph uses part
joints information and focuses on matching and aligning joints. The two kinds
of information are combined to achieve the bilateral objectives. Extensive
experiments demonstrate that our method outperforms previous methods, achieving
better shape structure and higher joint alignment accuracy.
- Abstract(参考訳): shape assemblyは単純なパーツジオメトリを配置することで複雑な形状のジオメトリを構成し、自律的なロボットアセンブリとcadモデリングに広く応用されている。
既存の作品は幾何学的推論に重点を置いており、異なる部品を接続する接触面である関節のマッチングと取付けの実際の物理的な組み立て過程を無視している。
本稿では,多部組立作業における接触関節の検討を行う。
共同最適化を成功させるには、形状構造と関節アライメントの両目的を満たす必要がある。
グラフ表現学習の2段階からなる階層的なグラフ学習手法を提案する。
部分グラフは、所望の形状構造を構築するための入力として部分ジオメトリを取る。
関節レベルグラフは部分関節情報を使用し、関節の整合と整合に焦点を当てる。
両者の目的を達成するために、2種類の情報を組み合わせる。
広範な実験により,従来法よりも優れた形状構造と関節アライメント精度が得られた。
関連論文リスト
- Geometrically Consistent Partial Shape Matching [50.29468769172704]
3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。
しばしば無視されるが、整合幾何学の重要な性質は整合性である。
本稿では,新しい整数型線形計画部分形状整合式を提案する。
論文 参考訳(メタデータ) (2023-09-10T12:21:42Z) - Attention-based Part Assembly for 3D Volumetric Shape Modeling [0.0]
本稿では、注意に基づく部分集合のためのVoxAttention Networkアーキテクチャを提案する。
実験結果から,本手法は部分関係を考慮した3次元形状モデリングタスクにおいて,最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-17T16:53:27Z) - G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity
Priors [52.646396621449]
G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。
学習形態の集合に親和性グラフを自己教師型で構築する。
近年の形状対応ベンチマークで最先端の性能を示す。
論文 参考訳(メタデータ) (2022-12-06T12:09:24Z) - The Shape Part Slot Machine: Contact-based Reasoning for Generating 3D
Shapes from Parts [33.924785333723115]
接触型推論により既存の部品から新しい3次元形状を組み立てる手法を提案する。
本手法は,各形状を2つの形状部品間の接触領域であるスロットのグラフとして表現する。
提案手法は, 既存のモデリング手法よりも品質, 多様性, 構造的複雑さの点で優れる形状を生成することを実証する。
論文 参考訳(メタデータ) (2021-12-01T15:54:54Z) - JoinABLe: Learning Bottom-up Assembly of Parametric CAD Joints [34.15876903985372]
JoinABLeは、パーツを組み立ててジョイントを形成する学習ベースの方法である。
以上の結果から, ソリッドモデルのグラフ表現上でネットワーク予測を行うことで, 精度79.53%の精度で複数のベースライン法を上回り, 性能80%に近づいた。
論文 参考訳(メタデータ) (2021-11-24T20:05:59Z) - Joint Deep Multi-Graph Matching and 3D Geometry Learning from
Inhomogeneous 2D Image Collections [57.60094385551773]
非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。
さらに,2次元画像で表現された物体の3次元形状も取得する。
論文 参考訳(メタデータ) (2021-03-31T17:25:36Z) - DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape
Generation [98.96086261213578]
DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。
これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。
本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
論文 参考訳(メタデータ) (2020-08-12T17:06:51Z) - COALESCE: Component Assembly by Learning to Synthesize Connections [45.120186220205994]
コンポーネントベースの形状組み立てのための最初のデータ駆動型フレームワークであるCOALESCEを紹介する。
データから学習したジョイント合成のステップを使用して、ギャップを埋めて、自然で可塑性な部分のジョイントに到達します。
提案手法は, 3次元形状合成のためのベースライン深部モデルを含む従来の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-08-05T05:12:06Z) - Generative 3D Part Assembly via Dynamic Graph Learning [34.108515032411695]
部品組み立ては、3Dコンピュータビジョンとロボット工学において難しいが重要な課題だ。
本稿では,反復グラフニューラルネットワークをバックボーンとして活用する,アセンブリ指向の動的グラフ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-14T04:26:42Z)
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。