論文の概要: SieveNet: Selecting Point-Based Features for Mesh Networks

• arxiv url: http://arxiv.org/abs/2308.12530v1
• Date: Thu, 24 Aug 2023 03:40:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 15:37:17.981378
• Title: SieveNet: Selecting Point-Based Features for Mesh Networks
• Title（参考訳）: SieveNet: メッシュネットワークのポイントベース機能の選択
• Authors: Shengchao Yuan, Yishun Dou, Rui Shi, Bingbing Ni, Zhong Zheng
• Abstract要約: メッシュは3Dコンピュータビジョンとグラフィックスで広く使用されているが、その不規則なトポロジは、既存のニューラルネットワークアーキテクチャに適用する際の課題を提起している。 メッシュニューラルネットワークの最近の進歩は、生メッシュを入力としてのみ取り込むパイオニアメソッドの境界を押し付けている。 本稿では、正規位相と正確な幾何学の両方を考慮した新しいパラダイムであるSieveNetを提案する。
• 参考スコア（独自算出の注目度）: 41.74190660234404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meshes are widely used in 3D computer vision and graphics, but their irregular topology poses challenges in applying them to existing neural network architectures. Recent advances in mesh neural networks turn to remeshing and push the boundary of pioneer methods that solely take the raw meshes as input. Although the remeshing offers a regular topology that significantly facilitates the design of mesh network architectures, features extracted from such remeshed proxies may struggle to retain the underlying geometry faithfully, limiting the subsequent neural network's capacity. To address this issue, we propose SieveNet, a novel paradigm that takes into account both the regular topology and the exact geometry. Specifically, this method utilizes structured mesh topology from remeshing and accurate geometric information from distortion-aware point sampling on the surface of the original mesh. Furthermore, our method eliminates the need for hand-crafted feature engineering and can leverage off-the-shelf network architectures such as the vision transformer. Comprehensive experimental results on classification and segmentation tasks well demonstrate the effectiveness and superiority of our method.
• Abstract（参考訳）: メッシュは3dコンピュータビジョンやグラフィックスで広く使われているが、その不規則なトポロジーは、既存のニューラルネットワークアーキテクチャに適用する上での課題を提起する。 メッシュニューラルネットワークの最近の進歩は、生のメッシュのみを入力とする先駆的手法の境界を再利用し、押し上げることに変わります。 リメッシングはメッシュネットワークアーキテクチャの設計を著しく促進するレギュラートポロジを提供するが、そのようなリメッシングプロキシから抽出された特徴は、基礎となる幾何学を忠実に維持し、その後のニューラルネットワークの能力を制限するのに苦労する可能性がある。 この問題に対処するため,我々は正則トポロジーと厳密な幾何学の両方を考慮した新しいパラダイムであるsievenetを提案する。 具体的には、構造メッシュトポロジーを用いて、元のメッシュ表面における歪み認識点サンプリングによる正確な幾何情報を再現する。 さらに,本手法は手作りの機能工学の必要性を排除し,視覚変換器などの既製のネットワークアーキテクチャを活用できる。 分類・分節タスクに関する総合的な実験結果は,本手法の有効性と優位性を示す。

関連論文リスト

• Riemannian Residual Neural Networks [58.925132597945634]
  残余ニューラルネットワーク(ResNet)の拡張方法を示す。 ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
  論文  参考訳（メタデータ） (2023-10-16T02:12:32Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Leveraging Structured Pruning of Convolutional Neural Networks [2.2320512724449233]
  本稿では,任意の構造化プルーニングマスクを用いて,これらの問題に遭遇しないネットワークを生成する手法を提案する。 我々は, 畳み込み畳み込みニューラルネットワークによる, 組込みハードウェア上でのエネルギー消費と推定時間の利得を示す。
  論文  参考訳（メタデータ） (2022-06-13T15:29:12Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• GAMesh: Guided and Augmented Meshing for Deep Point Networks [4.599235672072547]
  本稿では、GAMeshと呼ばれる新しいメッシュアルゴリズムを提案する。これは、メッシュを使用して、ポイントネットワークの出力ポイントの表面を生成する。 この先に出力ポイントを投影することにより、GAMeshはメッシュと同じトポロジを持つ曲面を保証するが、その幾何学的忠実度は点ネットワークによって制御される。
  論文  参考訳（メタデータ） (2020-10-19T18:23:53Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。