論文の概要: SepicNet: Sharp Edges Recovery by Parametric Inference of Curves in 3D
Shapes
- arxiv url: http://arxiv.org/abs/2304.06531v1
- Date: Thu, 13 Apr 2023 13:37:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 14:27:32.102401
- Title: SepicNet: Sharp Edges Recovery by Parametric Inference of Curves in 3D
Shapes
- Title(参考訳): SepicNet:3次元形状の曲線のパラメトリック推定によるシャープエッジの回復
- Authors: Kseniya Cherenkova, Elona Dupont, Anis Kacem, Ilya Arzhannikov, Gleb
Gusev and Djamila Aouada
- Abstract要約: 本稿では,3次元形状の鋭いエッジを原始曲線として検出・パラメータ化するための新しいディープネットワークであるSepicNetを紹介する。
我々は,一様サンプリングよりも鋭い特徴を捕集する適応点雲サンプリング手法を開発した。
- 参考スコア(独自算出の注目度): 16.355677959323426
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 3D scanning as a technique to digitize objects in reality and create their 3D
models, is used in many fields and areas. Though the quality of 3D scans
depends on the technical characteristics of the 3D scanner, the common drawback
is the smoothing of fine details, or the edges of an object. We introduce
SepicNet, a novel deep network for the detection and parametrization of sharp
edges in 3D shapes as primitive curves. To make the network end-to-end
trainable, we formulate the curve fitting in a differentiable manner. We
develop an adaptive point cloud sampling technique that captures the sharp
features better than uniform sampling. The experiments were conducted on a
newly introduced large-scale dataset of 50k 3D scans, where the sharp edge
annotations were extracted from their parametric CAD models, and demonstrate
significant improvement over state-of-the-art methods.
- Abstract(参考訳): オブジェクトをデジタル化し、それらの3Dモデルを作成する技術としての3Dスキャンは、多くの分野や領域で使われている。
3dスキャンの品質は3dスキャナの技術的な特性に依存するが、一般的な欠点は細部を滑らかにしたり、オブジェクトの端を削ったりすることである。
3次元形状のシャープエッジを原始曲線として検出・パラメータ化するための新しいディープネットワークであるsepicnetを提案する。
ネットワークのエンドツーエンドなトレーニングを可能にするために,曲線フィッティングを微分可能な方法で定式化する。
我々は,一様サンプリングよりも鋭い特徴を捉える適応点雲サンプリング手法を開発した。
実験は、新しく導入された50k3Dスキャンの大規模データセットを用いて行われ、それぞれのパラメトリックCADモデルから鋭いエッジアノテーションが抽出され、最先端の手法よりも大幅に改善された。
関連論文リスト
- Oriented-grid Encoder for 3D Implicit Representations [10.02138130221506]
本論文は,3次元幾何エンコーダの3次元特性を明示的に利用した最初のものである。
提案手法は,従来の手法と比較して最先端の結果が得られる。
論文 参考訳(メタデータ) (2024-02-09T19:28:13Z) - 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。
拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。
さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-07T23:46:41Z) - MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D
Segmentation [91.6658845016214]
そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。
複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。
その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
論文 参考訳(メタデータ) (2022-08-18T00:48:15Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳(メタデータ) (2022-04-09T03:46:18Z) - 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。
まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。
次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。
第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
論文 参考訳(メタデータ) (2021-04-06T02:22:24Z) - DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes [43.853000396885626]
サンプル3次元形状のシャープな幾何学的特徴を予測するための学習ベースフレームワークを提案する。
個々のパッチの結果を融合させることで、既存のデータ駆動方式では処理できない大きな3Dモデルを処理できる。
論文 参考訳(メタデータ) (2020-11-30T18:21:00Z) - Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene
Understanding [19.134536179555102]
生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。
提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
論文 参考訳(メタデータ) (2020-11-29T12:56:19Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳(メタデータ) (2020-08-18T06:33:40Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳(メタデータ) (2020-04-02T17:48:50Z) - 3D Shape Segmentation with Geometric Deep Learning [2.512827436728378]
本稿では,部分分割問題としてセグメント化全体を解くために,3次元形状の3次元拡張ビューを生成するニューラルネットワークベースのアプローチを提案する。
提案手法は,公開データセットの3次元形状と,フォトグラム法を用いて再構成した実物体を用いて検証する。
論文 参考訳(メタデータ) (2020-02-02T14:11:16Z)
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。