論文の概要: RSA-INR: Riemannian Shape Autoencoding via 4D Implicit Neural
Representations
- arxiv url: http://arxiv.org/abs/2305.12854v1
- Date: Mon, 22 May 2023 09:27:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 17:11:39.190009
- Title: RSA-INR: Riemannian Shape Autoencoding via 4D Implicit Neural
Representations
- Title(参考訳): RSA-INR: 4次元入射神経表現によるリーマン形状自動符号化
- Authors: Sven Dummer, Nicola Strisciuglio, Christoph Brune
- Abstract要約: 形状変数モデリングのための深層学習モデルに、新しい形状の暗黙エンコーダを組み込む方法を示す。
また,LDDMMの形状整合と次元減少の定式化をディープラーニングがどのように解決し,一般化するかについても論じる。
- 参考スコア(独自算出の注目度): 4.322852504146919
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shape encoding and shape analysis are valuable tools for comparing shapes and
for dimensionality reduction. A specific framework for shape analysis is the
Large Deformation Diffeomorphic Metric Mapping (LDDMM) framework, which is
capable of shape matching and dimensionality reduction. Researchers have
recently introduced neural networks into this framework. However, these works
can not match more than two objects simultaneously or have suboptimal
performance in shape variability modeling. The latter limitation occurs as the
works do not use state-of-the-art shape encoding methods. Moreover, the
literature does not discuss the connection between the LDDMM Riemannian
distance and the Riemannian geometry for deep learning literature. Our work
aims to bridge this gap by demonstrating how LDDMM can integrate Riemannian
geometry into deep learning. Furthermore, we discuss how deep learning solves
and generalizes shape matching and dimensionality reduction formulations of
LDDMM. We achieve both goals by designing a novel implicit encoder for shapes.
This model extends a neural network-based algorithm for LDDMM-based pairwise
registration, results in a nonlinear manifold PCA, and adds a Riemannian
geometry aspect to deep learning models for shape variability modeling.
Additionally, we demonstrate that the Riemannian geometry component improves
the reconstruction procedure of the implicit encoder in terms of reconstruction
quality and stability to noise. We hope our discussion paves the way to more
research into how Riemannian geometry, shape/image analysis, and deep learning
can be combined.
- Abstract(参考訳): 形状のエンコーディングと形状解析は、形状の比較と次元の縮小に有用である。
形状解析のための具体的なフレームワークは、形状マッチングと次元縮小が可能な大変形拡散度計量マッピング(LDDMM)フレームワークである。
研究者は最近、このフレームワークにニューラルネットワークを導入した。
しかし、これらの作品が同時に2つ以上のオブジェクトにマッチすることはできず、形状可変性モデリングにおいて準最適性能を持つ。
後者の制限は、作品が最先端の形状エンコーディング法を使用しないときに発生する。
さらに、この文献はLDDMMリーマン距離と深層学習文学におけるリーマン幾何学との関係について論じていない。
我々の研究は、LDDMMがリーマン幾何学をディープラーニングにどのように統合できるかを示すことによって、このギャップを埋めることを目的としている。
さらに,LDDMMの形状整合と次元減少の定式化をディープラーニングがどのように解決し,一般化するかを論じる。
形状の暗黙エンコーダを設計することで,両目標を達成できる。
このモデルは、LDDMMに基づくペアワイズ登録のためのニューラルネットワークベースのアルゴリズムを拡張し、非線形多様体PCAとなり、形状変数モデリングのためのディープラーニングモデルにリーマン幾何学的側面を追加する。
さらに、リーマン幾何学成分は、再生品質と雑音に対する安定性の観点から暗黙エンコーダの再構成手順を改善することを示した。
我々の議論は、リーマン幾何学、形状・像解析、深層学習の組み合わせに関するさらなる研究の道を開くことを願っている。
関連論文リスト
- Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - A Survey of Geometric Optimization for Deep Learning: From Euclidean
Space to Riemannian Manifold [7.737713458418288]
ディープラーニング(DL)は複雑な人工知能(AI)タスクで成功したが、様々な悪名高い問題に悩まされている。
本稿では、DLにおける幾何最適化の適用に関する総合的な調査について述べる。
畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスファー学習、最適輸送など、さまざまなAIタスクにおける異なるDLネットワークにおける幾何学的最適化の適用について検討する。
論文 参考訳(メタデータ) (2023-02-16T10:50:15Z) - Deep Linear Networks for Matrix Completion -- An Infinite Depth Limit [10.64241024049424]
深層線形ネットワーク (DLN) は、過度にパラメータ化された学習アーキテクチャの勾配に基づく最適化における暗黙の正規化のためのモデルである。
厳密な解析と数値による行列完成のための幾何幾何学とトレーニングの関連について検討する。
暗黙の正則化は高状態空間体積に対する偏りの結果である。
論文 参考訳(メタデータ) (2022-10-22T17:03:10Z) - Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-03T06:41:19Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Computational Analysis of Deformable Manifolds: from Geometric Modelling
to Deep Learning [0.0]
非平坦空間の多様性が豊富な研究領域を提供することを示す。
形状処理とデータ解析のための幾何学的手法について検討する。
論文 参考訳(メタデータ) (2020-09-03T16:50:48Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳(メタデータ) (2020-08-18T20:30:47Z) - 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)
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。