論文の概要: NAISR: A 3D Neural Additive Model for Interpretable Shape Representation
- arxiv url: http://arxiv.org/abs/2303.09234v1
- Date: Thu, 16 Mar 2023 11:18:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 15:49:21.750954
- Title: NAISR: A 3D Neural Additive Model for Interpretable Shape Representation
- Title（参考訳）: NAISR: 解釈可能な形状表現のための3次元ニューラル付加モデル
- Authors: Yining Jiao, Carlton Zdanski, Julia Kimbell, Andrew Prince, Cameron
Worden, Samuel Kirse, Christopher Rutter, Benjamin Shields, William Dunn,
Jisan Mahmud, Marc Niethammer
- Abstract要約: 解釈可能な形状表現のための3次元ニューラル付加モデルを提案する。
本手法は, 形状人口の傾向を把握し, 形状移動による患者固有の予測を可能にする。
小児上気道の形状再構成, 形状異方性, 形状変化, 形状移動について, NAISRを評価した。
- 参考スコア（独自算出の注目度）: 10.414043197764142
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep implicit functions (DIFs) have emerged as a powerful paradigm for many
computer vision tasks such as 3D shape reconstruction, generation,
registration, completion, editing, and understanding. However, given a set of
3D shapes with associated covariates there is at present no shape
representation method which allows to precisely represent the shapes while
capturing the individual dependencies on each covariate. Such a method would be
of high utility to researchers to discover knowledge hidden in a population of
shapes. We propose a 3D Neural Additive Model for Interpretable Shape
Representation (NAISR) which describes individual shapes by deforming a shape
atlas in accordance to the effect of disentangled covariates. Our approach
captures shape population trends and allows for patient-specific predictions
through shape transfer. NAISR is the first approach to combine the benefits of
deep implicit shape representations with an atlas deforming according to
specified covariates. Although our driving problem is the construction of an
airway atlas, NAISR is a general approach for modeling, representing, and
investigating shape populations. We evaluate NAISR with respect to shape
reconstruction, shape disentanglement, shape evolution, and shape transfer for
the pediatric upper airway. Our experiments demonstrate that NAISR achieves
competitive shape reconstruction performance while retaining interpretability.
- Abstract（参考訳）: 深暗黙の関数(DIF)は、3次元形状の再構成、生成、登録、完了、編集、理解といった多くのコンピュータビジョンタスクの強力なパラダイムとして登場した。
しかし、関連する共変量を持つ一連の3次元形状が与えられると、各共変量に対する個々の依存を捉えながら正確に形状を表現できる形状表現法は存在しない。
このような手法は、形状の集団に隠された知識を発見する研究者にとって有用である。
直交共変量の影響に応じて形状アトラスを変形させることにより個々の形状を記述した3次元ニューラル付加モデル(NAISR)を提案する。
このアプローチは形状人口の傾向を捉え、形状伝達を通じて患者固有の予測を可能にする。
NAISRは、深い暗黙の形状表現の利点を特定の共変量に従って変形するアトラスと組み合わせる最初のアプローチである。
我々の運転問題は気道アトラスの構築であるが、AISRは形状の個体群をモデル化し、表現し、調査するための一般的なアプローチである。
小児上気道の形状再構成, 形状異方性, 形状変化, 形状移動について, NAISRを評価した。
実験により,NAAISRは解釈可能性を維持しながら,競争力のある形状復元性能を実現することを示した。
関連論文リスト
- Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。
当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-14T18:17:19Z) - AutoSDF: Shape Priors for 3D Completion, Reconstruction and Generation [29.018733252938926]
パワフルな事前処理によって、不十分な情報で推論を実行できます。
本稿では, 形状完了, 復元, 生成といったマルチモーダルな3次元課題を解決するために, 3次元形状に対する自己回帰前処理を提案する。
論文 参考訳（メタデータ） (2022-03-17T17:59:54Z) - ShapeFormer: Transformer-based Shape Completion via Sparse
Representation [41.33457875133559]
本稿では,不完全でノイズの多い点雲に条件付きオブジェクト完了の分布を生成するネットワークであるShapeFormerを提案する。
結果の分布をサンプリングして、入力に忠実な状態で、それぞれがもっともらしい形状の詳細を示す、可能性のある完了を生成する。
論文 参考訳（メタデータ） (2022-01-25T13:58:30Z) - Cloud Sphere: A 3D Shape Representation via Progressive Deformation [21.216503294296317]
本論文は形状形成過程から特異な情報を発見することを目的としている。
プログレッシブな変形に基づくオートエンコーダを提案する。
実験の結果,提案したPDAEは高忠実度で3次元形状を復元できることがわかった。
論文 参考訳（メタデータ） (2021-12-21T12:10:23Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳（メタデータ） (2021-11-30T04:10:57Z) - Functional additive regression on shape and form manifolds of planar
curves [0.0]
我々は、形と形を、翻訳、回転、および -- 形状について -- の同値類として定義する。
平面曲線やランドマークの形状や形状のモデルに一般化された加法的回帰を拡張します。
論文 参考訳（メタデータ） (2021-09-06T17:43:32Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。
我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。
提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
論文 参考訳（メタデータ） (2020-11-30T06:01:49Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳（メタデータ） (2020-03-24T14:25:46Z) - Self-Supervised 2D Image to 3D Shape Translation with Disentangled
Representations [92.89846887298852]
本稿では,2次元画像ビューと3次元オブジェクト形状を翻訳するフレームワークを提案する。
形状変換のための自己教師型画像変換フレームワークであるSISTを提案する。
論文 参考訳（メタデータ） (2020-03-22T22:44:02Z)
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。