論文の概要: Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching

• arxiv url: http://arxiv.org/abs/2303.10971v1
• Date: Mon, 20 Mar 2023 09:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 16:02:43.959719
• Title: Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching
• Title（参考訳）: マルチモーダル3次元形状マッチングのための自己教師あり学習
• Authors: Dongliang Cao, Florian Bernard
• Abstract要約: 我々は、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入する。 我々の形状マッチングアプローチは、三角形メッシュ、完全点雲、部分的に観察された点雲のモード内対応を得ることを可能にする。 提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 15.050801537501462
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The matching of 3D shapes has been extensively studied for shapes represented as surface meshes, as well as for shapes represented as point clouds. While point clouds are a common representation of raw real-world 3D data (e.g. from laser scanners), meshes encode rich and expressive topological information, but their creation typically requires some form of (often manual) curation. In turn, methods that purely rely on point clouds are unable to meet the matching quality of mesh-based methods that utilise the additional topological structure. In this work we close this gap by introducing a self-supervised multimodal learning strategy that combines mesh-based functional map regularisation with a contrastive loss that couples mesh and point cloud data. Our shape matching approach allows to obtain intramodal correspondences for triangle meshes, complete point clouds, and partially observed point clouds, as well as correspondences across these data modalities. We demonstrate that our method achieves state-of-the-art results on several challenging benchmark datasets even in comparison to recent supervised methods, and that our method reaches previously unseen cross-dataset generalisation ability.
• Abstract（参考訳）: 3次元形状のマッチングは、表面メッシュとして表される形状や、点雲として表される形状に対して広く研究されている。 ポイントクラウドは(例えばレーザースキャナーからの)現実世界の生の3dデータの一般的な表現であるが、メッシュはリッチで表現豊かなトポロジー情報をエンコードするが、通常は何らかの(しばしば手動による)キュレーションを必要とする。 逆に、純粋にポイントクラウドに依存するメソッドは、追加のトポロジー構造を利用するメッシュベースのメソッドの品質を満たせない。 この作業では、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入することで、このギャップを埋めます。 形状マッチングアプローチにより,三角形メッシュ,完全点雲,部分観測点雲に対するモード内対応と,これらのデータモダリティ間の対応が得られる。 提案手法は,近年の教師付き手法と比較しても,いくつかの挑戦的なベンチマークデータセットに対して最先端の結果が得られており,従来は見つからなかったクロスデータセットの一般化能力に達することを実証する。

関連論文リスト

• RealDiff: Real-world 3D Shape Completion using Self-Supervised Diffusion Models [15.209079637302905]
  本稿では,実世界の実測に基づく条件生成問題として,点雲完了を定式化する自己教師型フレームワークであるRealDiffを提案する。 具体的には、RealDiffは、タスクのマルチモーダルな性質に対処するために部分入力の生成を条件付けながら、行方不明なオブジェクト部分での拡散プロセスをシミュレートする。 実験結果から,本手法は実世界のクラウド完成度において常に最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-16T11:18:57Z)
• Unsupervised Non-Rigid Point Cloud Matching through Large Vision Models [1.3030624795284795]
  非剛点クラウドマッチングのための学習ベースのフレームワークを提案する。 重要な洞察は、大きな視覚モデル(LVM)から派生した意味的特徴を統合することである。 本フレームワークは,局所的な地形間の自己相似性から生じるあいまいさに対処するために,意味的特徴に含まれる構造情報を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• Unsupervised Representation Learning for Diverse Deformable Shape Collections [30.271818994854353]
  本稿では,3次元表面メッシュを符号化し,操作するための新しい学習手法を提案する。 本手法は,変形可能な形状収集のための解釈可能な埋め込み空間を作成するために設計されている。
  論文  参考訳（メタデータ） (2023-10-27T13:45:30Z)
• Flow-based GAN for 3D Point Cloud Generation from a Single Image [16.04710129379503]
  本稿では,任意の解像度の点群をサンプリングするためのフローベース明示的生成モデルを継承する,ハイブリッドな明示的生成モデルを提案する。 大規模合成データセットShapeNetについて評価し,提案手法の優れた性能を示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-10-08T17:58:20Z)
• Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
  トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。 本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。 条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
  論文  参考訳（メタデータ） (2022-04-05T03:12:29Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• 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)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。