論文の概要: GeodesicPSIM: Predicting the Quality of Static Mesh with Texture Map via
Geodesic Patch Similarity
- arxiv url: http://arxiv.org/abs/2308.04928v2
- Date: Thu, 24 Aug 2023 02:11:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-25 17:07:13.442953
- Title: GeodesicPSIM: Predicting the Quality of Static Mesh with Texture Map via
Geodesic Patch Similarity
- Title(参考訳): GeodesicPSIM:ジオデシックパッチ類似性を利用したテクスチャマップによる静的メッシュの品質予測
- Authors: Qi Yang, Joel Jung, Xiaozhong Xu, and Shan Liu
- Abstract要約: 静的メッシュの知覚品質を正確に予測するために,Geodesic Patch similarity (GeodesicPSIM)を提案する。
2ステップのパッチトリミングアルゴリズムとテクスチャマッピングモジュールは、1ホップの測地線パッチのサイズを改良する。
GeodesicPSIMは、画像ベース、ポイントベース、ビデオベースのメトリクスと比較して、最先端のパフォーマンスを提供する。
- 参考スコア(独自算出の注目度): 24.34820730382366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Static meshes with texture maps have attracted considerable attention in both
industrial manufacturing and academic research, leading to an urgent
requirement for effective and robust objective quality evaluation. However,
current model-based static mesh quality metrics have obvious limitations: most
of them only consider geometry information, while color information is ignored,
and they have strict constraints for the meshes' geometrical topology. Other
metrics, such as image-based and point-based metrics, are easily influenced by
the prepossessing algorithms, e.g., projection and sampling, hampering their
ability to perform at their best. In this paper, we propose Geodesic Patch
Similarity (GeodesicPSIM), a novel model-based metric to accurately predict
human perception quality for static meshes. After selecting a group keypoints,
1-hop geodesic patches are constructed based on both the reference and
distorted meshes cleaned by an effective mesh cleaning algorithm. A two-step
patch cropping algorithm and a patch texture mapping module refine the size of
1-hop geodesic patches and build the relationship between the mesh geometry and
color information, resulting in the generation of 1-hop textured geodesic
patches. Three types of features are extracted to quantify the distortion:
patch color smoothness, patch discrete mean curvature, and patch pixel color
average and variance. To the best of our knowledge, GeodesicPSIM is the first
model-based metric especially designed for static meshes with texture maps.
GeodesicPSIM provides state-of-the-art performance in comparison with
image-based, point-based, and video-based metrics on a newly created and
challenging database. We also prove the robustness of GeodesicPSIM by
introducing different settings of hyperparameters. Ablation studies also
exhibit the effectiveness of three proposed features and the patch cropping
algorithm.
- Abstract(参考訳): テクスチャマップを用いた静的メッシュは、工業生産と学術研究の両方で大きな注目を集めており、効果的で堅牢な客観的品質評価の緊急な要件となっている。
しかし、現在のモデルに基づく静的メッシュの品質指標には明らかな制限がある。そのほとんどは幾何学的情報のみを考慮し、色情報は無視され、メッシュの幾何学的トポロジーには厳格な制約がある。
イメージベースやポイントベースといった他のメトリクスは、投射やサンプリングといった先入観アルゴリズムの影響を受けやすく、彼らの最高のパフォーマンスを妨げている。
本稿では,静的メッシュの知覚品質を正確に予測する新しいモデルベース計量であるGeodesic Patch similarity(GeodesicPSIM)を提案する。
グループキーポイントを選択した後、効率的なメッシュクリーニングアルゴリズムによりクリーニングされた参照メッシュと歪メッシュの両方に基づいて1ホップ測地パッチを構築する。
2段階のパッチトリミングアルゴリズムとパッチテクスチャマッピングモジュールは、1ホップ測地線パッチのサイズを洗練し、メッシュ幾何学と色情報の関係を構築し、1ホップテクスチャ化された測地線パッチを生成する。
歪みを定量化するために,パッチ色平滑度,パッチ離散平均曲率,パッチ画素色平均およびばらつきの3種類の特徴を抽出した。
我々の知る限りでは、GeodesicPSIMは特にテクスチャマップを備えた静的メッシュ用に設計された最初のモデルベースのメトリクスである。
GeodesicPSIMは、新しく作成され、挑戦的なデータベース上で、画像ベース、ポイントベース、ビデオベースのメトリクスと比較して、最先端のパフォーマンスを提供する。
また,GeodesicPSIMの高パラメータの異なる設定を導入することで,ロバスト性を証明した。
アブレーション研究は3つの特徴とパッチクロッピングアルゴリズムの有効性も示している。
関連論文リスト
- Real-time Free-view Human Rendering from Sparse-view RGB Videos using Double Unprojected Textures [87.80984588545589]
スパースビューのRGB入力からのリアルタイム自由視点人体レンダリングは、センサー不足と厳しい時間予算のために難しい課題である。
最近の手法では、テクスチャ空間で動作する2次元CNNを活用して、レンダリングプリミティブを学習している。
本稿では,2重非プロジェクテッドテクスチャについて述べる。
論文 参考訳(メタデータ) (2024-12-17T18:57:38Z) - Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。
ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。
これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文 参考訳(メタデータ) (2024-02-27T10:10:12Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - Texture image analysis based on joint of multi directions GLCM and local
ternary patterns [0.0]
テクスチャ機能は、通勤視覚や機械学習問題において、多くの異なるアプリケーションで使用することができる。
2つのテクスチャ記述子、共起行列と局所三元パターンを組み合わせた新しい手法を提案する。
実験の結果,提案手法はいくつかの最先端手法と比較して高い分類率を示すことがわかった。
論文 参考訳(メタデータ) (2022-09-05T09:53:00Z) - GraphFit: Learning Multi-scale Graph-Convolutional Representation for
Point Cloud Normal Estimation [31.40738037512243]
本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。
我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。
提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
論文 参考訳(メタデータ) (2022-07-23T10:29:26Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-03-04T15:34:43Z) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳(メタデータ) (2020-06-30T19:36:38Z) - Image Quality Assessment: Unifying Structure and Texture Similarity [38.05659069533254]
テクスチャリサンプリングに対する耐性を明示した,最初のフル参照画像品質モデルを開発した。
畳み込みニューラルネットワークを用いて、画像をオーバーコンプリート表現に変換するインジェクティブで微分可能な関数を構築する。
論文 参考訳(メタデータ) (2020-04-16T16:11:46Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。