論文の概要: GenCorres: Consistent Shape Matching via Coupled Implicit-Explicit Shape Generative Models

• arxiv url: http://arxiv.org/abs/2304.10523v1
• Date: Thu, 20 Apr 2023 17:52:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 11:56:46.290625
• Title: GenCorres: Consistent Shape Matching via Coupled Implicit-Explicit Shape Generative Models
• Title（参考訳）: GenCorres: 結合入射型形状生成モデルによる連続形状マッチング
• Authors: Haitao Yang, Xiangru Huang, Bo Sun, Chandrajit Bajaj, Qixing Huang
• Abstract要約: GenCorresは、新しい教師なし関節形状マッチング(JSM)アプローチである。 パラメトリックメッシュジェネレータを学習して、非組織的な変形可能な形状のコレクションに適合させる。 局所剛性や局所等角性などの幾何学的構造を保存している。
• 参考スコア（独自算出の注目度）: 30.931369477423836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces GenCorres, a novel unsupervised joint shape matching (JSM) approach. The basic idea of GenCorres is to learn a parametric mesh generator to fit an unorganized deformable shape collection while constraining deformations between adjacent synthetic shapes to preserve geometric structures such as local rigidity and local conformality. GenCorres presents three appealing advantages over existing JSM techniques. First, GenCorres performs JSM among a synthetic shape collection whose size is much bigger than the input shapes and fully leverages the data-driven power of JSM. Second, GenCorres unifies consistent shape matching and pairwise matching (i.e., by enforcing deformation priors between adjacent synthetic shapes). Third, the generator provides a concise encoding of consistent shape correspondences. However, learning a mesh generator from an unorganized shape collection is challenging. It requires a good initial fitting to each shape and can easily get trapped by local minimums. GenCorres addresses this issue by learning an implicit generator from the input shapes, which provides intermediate shapes between two arbitrary shapes. We introduce a novel approach for computing correspondences between adjacent implicit surfaces and force the correspondences to preserve geometric structures and be cycle-consistent. Synthetic shapes of the implicit generator then guide initial fittings (i.e., via template-based deformation) for learning the mesh generator. Experimental results show that GenCorres considerably outperforms state-of-the-art JSM techniques on benchmark datasets. The synthetic shapes of GenCorres preserve local geometric features and yield competitive performance gains against state-of-the-art deformable shape generators.
• Abstract（参考訳）: 本稿では,新しいunsupervised joint shape matching (JSM)アプローチであるGenCorresを紹介する。 gencorresの基本的な考え方は、非組織的な変形可能な形状コレクションに適合するパラメトリックメッシュジェネレータを学習し、隣接する合成形状間の変形を制約し、局所剛性や局所共形性などの幾何学的構造を保存することである。 GenCorresは既存のJSM技術よりも3つの魅力的な利点を示している。 まず、GenCorresは入力形状よりもはるかに大きく、JSMのデータ駆動力を完全に活用する合成形状コレクションの中でJSMを実行する。 第2に、GenCorresは一貫した形状マッチングとペアワイズマッチングを統一する(すなわち、隣接する合成形状間の変形先行を強制する)。 第3に、ジェネレータは一貫した形状対応の簡潔な符号化を提供する。 しかし,非組織形状からメッシュジェネレータを学習することは困難である。 それぞれの形状に適切な初期適合性が必要で、局所的な最小限に簡単に閉じ込められる。 gencorresは、2つの任意の形状の間の中間形状を提供する入力形状から暗黙のジェネレータを学習することでこの問題に対処している。 本稿では,隣接する暗黙曲面間の対応を計算し,幾何学的構造を保ち,サイクル整合性を持たせるための新しいアプローチを提案する。 暗黙のジェネレータの合成形状は、メッシュジェネレータを学習するための初期フィッティング(テンプレートベースの変形)を誘導する。 実験の結果、GenCorresはベンチマークデータセット上で最先端のJSM技術よりもかなり優れていた。 GenCorresの合成形状は局所的な幾何学的特徴を保ち、最先端の変形可能な形状生成器に対して競争性能を得る。

関連論文リスト

• GenUDC: High Quality 3D Mesh Generation with Unsigned Dual Contouring Representation [13.923644541595893]
  3次元生成モデルは、複雑な構造と現実的な表面を持つ高品質なメッシュを生成する。 我々は、Unsigned Dual Contouring (UDC) をメッシュ表現として活用することにより、これらの課題に対処するGenUDCフレームワークを提案する。 さらに、GenUDCは2段階の粗大な生成プロセスを3Dメッシュ生成に採用している。
  論文  参考訳（メタデータ） (2024-10-23T11:59:49Z)
• Partial-to-Partial Shape Matching with Geometric Consistency [47.46502145377953]
  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、グラフィックスなどにおいて、重要かつ長年にわたる問題である。 我々は、幾何学的整合性を強い制約として利用することにより、既存の(あるいは人工的な)3次元フル形状マッチングと部分的から部分的な実世界の設定のギャップを埋める。 三角積空間上に構築された新しい整数非線型プログラム形式により実現された部分対部分マッチングの幾何学的整合性を実現する。
  論文  参考訳（メタデータ） (2024-04-18T14:14:07Z)
• EXIM: A Hybrid Explicit-Implicit Representation for Text-Guided 3D Shape Generation [124.27302003578903]
  本稿では,3次元形状を生成するための新しいテキスト誘導手法を提案する。 我々は,明示的表現と暗黙的表現の強みを組み合わせたハイブリッド3D表現,すなわちEXIMを活用する。 テキスト誘導型3次元形状を用いた室内シーンを一貫したスタイルで生成する手法の適用性を示した。
  論文  参考訳（メタデータ） (2023-11-03T05:01:51Z)
• 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)
• 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)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• 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)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。