論文の概要: Adaptive Local Basis Functions for Shape Completion

• arxiv url: http://arxiv.org/abs/2307.08348v1
• Date: Mon, 17 Jul 2023 09:40:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 14:04:01.690302
• Title: Adaptive Local Basis Functions for Shape Completion
• Title（参考訳）: 形状完了のための適応局所基底関数
• Authors: Hui Ying, Tianjia Shao, He Wang, Yin Yang, Kun Zhou
• Abstract要約: 深い暗黙関数を用いた部分点雲からの3次元形状完備化の課題に着目する。 提案手法は適応的な局所基底関数を用いており, エンドツーエンドで学習され, 特定の形態で制限されない。 本アルゴリズムは,局所的な幾何学的詳細を保存しながら,少数の基底関数でスパースパラメータ化を学習する。
• 参考スコア（独自算出の注目度）: 32.33921492014074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on the task of 3D shape completion from partial point clouds using deep implicit functions. Existing methods seek to use voxelized basis functions or the ones from a certain family of functions (e.g., Gaussians), which leads to high computational costs or limited shape expressivity. On the contrary, our method employs adaptive local basis functions, which are learned end-to-end and not restricted in certain forms. Based on those basis functions, a local-to-local shape completion framework is presented. Our algorithm learns sparse parameterization with a small number of basis functions while preserving local geometric details during completion. Quantitative and qualitative experiments demonstrate that our method outperforms the state-of-the-art methods in shape completion, detail preservation, generalization to unseen geometries, and computational cost. Code and data are at https://github.com/yinghdb/Adaptive-Local-Basis-Functions.
• Abstract（参考訳）: 本稿では,深部暗黙関数を用いた部分点雲からの3次元形状完了の課題に焦点を当てる。 既存の手法では、ボキセル化基底関数や特定の関数族(例えばガウス)の関数を使いたがっており、高い計算コストや限られた形状表現性をもたらす。 一方,本手法では,エンド・ツー・エンドで学習され,特定の形式に制限されない適応型局所基底関数を用いる。 これらの基礎関数に基づいて、局所的な形状完備化フレームワークを示す。 本アルゴリズムは,局所的な幾何学的詳細を保存しながら,少数の基底関数でスパースパラメータ化を学習する。 定量的および定性的な実験により,本手法は形状完備化,細部保存,未確認測地への一般化,計算コストにおいて,最先端の手法よりも優れていることが示された。 コードとデータはhttps://github.com/yinghdb/Adaptive-Local-Basis-Functionsにある。

関連論文リスト

• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Extracting a functional representation from a dictionary for non-rigid shape matching [15.352715230516486]
  そこで本研究では,内在的制限に対処するため,辞書の関数型主成分(PCD)を提案する。 PCDは、その形状上で定義された関数の辞書の主成分分析(PCA)から正規直交基底を構成する。 実験により,PCDは異なる形状マッチングシナリオに適合することを示すため,確立されたベンチマークで7つの辞書を比較した。
  論文  参考訳（メタデータ） (2023-05-17T16:15:55Z)
• Understanding and Improving Features Learned in Deep Functional Maps [31.61255365182462]
  より深い関数型マップアプローチで学習した特徴は、異なる形状のポイントワイド記述子として利用できることを示す。 本稿では,学習特徴の構造的特性を促進するため,標準的な深部関数型マップパイプラインを効果的に修正することを提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:32:16Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• 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 Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
  表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。 本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T02:07:29Z)
• 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。