論文の概要: Unsupervised Learning of Robust Spectral Shape Matching

• arxiv url: http://arxiv.org/abs/2304.14419v1
• Date: Thu, 27 Apr 2023 02:12:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 16:24:42.306005
• Title: Unsupervised Learning of Robust Spectral Shape Matching
• Title（参考訳）: ロバストスペクトル形状マッチングの教師なし学習
• Authors: Dongliang Cao, Paul Roetzer, Florian Bernard
• Abstract要約: 頑健な3次元形状マッチングのための新しい学習手法を提案する。 提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
• 参考スコア（独自算出の注目度）: 12.740151710302397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a novel learning-based approach for robust 3D shape matching. Our method builds upon deep functional maps and can be trained in a fully unsupervised manner. Previous deep functional map methods mainly focus on predicting optimised functional maps alone, and then rely on off-the-shelf post-processing to obtain accurate point-wise maps during inference. However, this two-stage procedure for obtaining point-wise maps often yields sub-optimal performance. In contrast, building upon recent insights about the relation between functional maps and point-wise maps, we propose a novel unsupervised loss to couple the functional maps and point-wise maps, and thereby directly obtain point-wise maps without any post-processing. Our approach obtains accurate correspondences not only for near-isometric shapes, but also for more challenging non-isometric shapes and partial shapes, as well as shapes with different discretisation or topological noise. Using a total of nine diverse datasets, we extensively evaluate the performance and demonstrate that our method substantially outperforms previous state-of-the-art methods, even compared to recent supervised methods. Our code is available at https://github.com/dongliangcao/Unsupervised-Learning-of-Robust-Spectral-Shape-Matching.
• Abstract（参考訳）: 頑健な3次元形状マッチングのための新しい学習手法を提案する。 本手法は深い関数マップに基づいて構築され,教師なしの方法で訓練することができる。 従来の深い関数写像法は主に最適化された関数写像のみを予測することに集中し、その後、推論中に正確なポイントワイズマップを得るためにオフザシェルフ後処理に依存する。 しかし、ポイントワイズマップを得るためのこの2段階の手順は、しばしば準最適性能をもたらす。 これとは対照的に,関数マップと点マップの関係に関する最近の知見に基づいて,関数マップと点マップを結合する新規な教師なし損失を提案し,その結果,ポストプロセッシングを伴わない点マップを直接取得する。 本手法は, 近接等尺形状だけでなく, より困難な非等尺形状や部分形状, 離散化や位相雑音の異なる形状に対しても正確な対応を求める。 提案手法は,9種類の多種多様なデータセットを用いて評価を行い,最近の教師付き手法と比較して,従来の最先端手法よりも大幅に優れていたことを示す。 私たちのコードはhttps://github.com/dongliangcao/unsupervised-learning-of-robust-spectral-shape-matchingで利用可能です。

関連論文リスト

• Memory-Scalable and Simplified Functional Map Learning [32.088809326158554]
  本稿では,メモリスケーラブルで効率的な関数型マップ学習パイプラインを提案する。 関数マップの構造を利用することで、メモリにポイントワイズマップを格納することなく、同じ結果が得られる可能性を提供します。 このアルゴリズムを後処理のステップで使用する多くの関数型マップ学習法とは異なり、列車時に簡単に利用できる。
  論文  参考訳（メタデータ） (2024-03-30T12:01:04Z)
• Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
  本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。 我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
  論文  参考訳（メタデータ） (2024-02-29T07:26:23Z)
• Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
  非剛性3次元形状マッチングのための教師なし学習手法を提案する。 提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-17T17:28:03Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Spatially and Spectrally Consistent Deep Functional Maps [26.203493922746546]
  サイクル一貫性は、長い間、形状の集合内の地図を共同最適化するための強力な先駆体として利用されてきた。 本稿では,非剛形形状マッチングにおける最先端技術と考えられるDeep Functional Mapsのアプローチにおける有用性について検討する。 本稿では,教師なしの深部関数写像の設計について述べる。これはスペクトルと点表現の下で学習された地図の調和を効果的に実施する。
  論文  参考訳（メタデータ） (2023-08-17T09:04:44Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• 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)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• DPFM: Deep Partial Functional Maps [28.045544079256686]
  我々は、潜在的に有意な部分性を有する非剛体形状間の密接な対応を計算することの問題を考察する。 部分的な非剛体形状対応を直接目的とする初等学習手法を提案する。 我々のアプローチは関数マップフレームワークを使用し、教師なしまたは教師なしの方法で訓練し、データから直接記述子を学習する。
  論文  参考訳（メタデータ） (2021-10-19T14:05:37Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。