Fugu-MT 論文翻訳(概要): Attention-based Part Assembly for 3D Volumetric Shape Modeling

論文の概要: Attention-based Part Assembly for 3D Volumetric Shape Modeling

arxiv url: http://arxiv.org/abs/2304.10986v1
Date: Mon, 17 Apr 2023 16:53:27 GMT
ステータス: 処理完了
システム内更新日: 2023-04-30 08:04:41.701853
Title: Attention-based Part Assembly for 3D Volumetric Shape Modeling
Title（参考訳）: 3次元体積形状モデリングのための注意に基づく部品組み立て
Authors: Chengzhi Wu, Junwei Zheng, Julius Pfrommer, J\"urgen Beyerer
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modeling a 3D volumetric shape as an assembly of decomposed shape parts is much more challenging, but semantically more valuable than direct reconstruction from a full shape representation. The neural network needs to implicitly learn part relations coherently, which is typically performed by dedicated network layers that can generate transformation matrices for each part. In this paper, we propose a VoxAttention network architecture for attention-based part assembly. We further propose a variant of using channel-wise part attention and show the advantages of this approach. Experimental results show that our method outperforms most state-of-the-art methods for the part relation-aware 3D shape modeling task.
Abstract（参考訳）: 3次元体積形状を分解された形状部品の集合体としてモデル化することは、はるかに難しいが、完全な形状表現からの直接再構成よりも意味的に価値がある。ニューラルネットワークは、各部分の変換行列を生成可能な専用ネットワーク層によって実行される部分関係を、暗黙的にコヒーレントに学習する必要がある。本稿では,注意に基づく部品組立のためのvoxattention networkアーキテクチャを提案する。さらに,このアプローチの利点を示すために,チャネル毎の注意の利用の変種を提案する。実験の結果,本手法は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。

関連論文リスト

Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
論文参考訳（メタデータ） (2024-05-27T07:10:21Z)
DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
論文参考訳（メタデータ） (2023-11-22T03:26:07Z)
ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
論文参考訳（メタデータ） (2022-05-27T00:01:40Z)
SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
論文参考訳（メタデータ） (2021-12-27T23:55:36Z)
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)
Discovering 3D Parts from Image Collections [98.16987919686709]
本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
論文参考訳（メタデータ） (2021-07-28T20:29:16Z)
Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
論文参考訳（メタデータ） (2021-03-18T17:59:31Z)
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)
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)
Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
論文参考訳（メタデータ） (2019-12-31T15:09:51Z)

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。