論文の概要: WrappingNet: Mesh Autoencoder via Deep Sphere Deformation

• arxiv url: http://arxiv.org/abs/2308.15413v1
• Date: Tue, 29 Aug 2023 16:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 13:11:50.464017
• Title: WrappingNet: Mesh Autoencoder via Deep Sphere Deformation
• Title（参考訳）: WrappingNet:深部球変形によるメッシュオートエンコーダ
• Authors: Eric Lei, Muhammad Asad Lodhi, Jiahao Pang, Junghyun Ahn, Dong Tian
• Abstract要約: WrappingNetは、異種オブジェクト上の一般メッシュ教師なし学習を可能にする最初のメッシュオートエンコーダである。 メッシュ接続性を表現するためのボトルネックとして,新たなベースグラフが導入されている。 オブジェクト形状を表す共有潜在空間の学習を容易にすることが示されている。
• 参考スコア（独自算出の注目度）: 10.934595072086324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There have been recent efforts to learn more meaningful representations via fixed length codewords from mesh data, since a mesh serves as a complete model of underlying 3D shape compared to a point cloud. However, the mesh connectivity presents new difficulties when constructing a deep learning pipeline for meshes. Previous mesh unsupervised learning approaches typically assume category-specific templates, e.g., human face/body templates. It restricts the learned latent codes to only be meaningful for objects in a specific category, so the learned latent spaces are unable to be used across different types of objects. In this work, we present WrappingNet, the first mesh autoencoder enabling general mesh unsupervised learning over heterogeneous objects. It introduces a novel base graph in the bottleneck dedicated to representing mesh connectivity, which is shown to facilitate learning a shared latent space representing object shape. The superiority of WrappingNet mesh learning is further demonstrated via improved reconstruction quality and competitive classification compared to point cloud learning, as well as latent interpolation between meshes of different categories.
• Abstract（参考訳）: メッシュは、ポイントクラウドと比較して基盤となる3d形状の完全なモデルとして機能するため、メッシュデータから固定長のコードワードを介して意味のある表現を学ぶ最近の取り組みがある。 しかし、メッシュ接続は、メッシュのためのディープラーニングパイプラインを構築する際に、新たな困難をもたらす。 従来のメッシュ非教師付き学習アプローチは、一般的に、例えば人間の顔/体テンプレートのようなカテゴリ固有のテンプレートを仮定する。 学習された潜時符号は特定のカテゴリのオブジェクトに対してのみ意味を持つように制限されるため、学習された潜時空間は異なる種類のオブジェクトにまたがって使用することはできない。 本稿では、異種オブジェクト上の一般メッシュ教師なし学習を可能にする最初のメッシュオートエンコーダであるWrappingNetを紹介する。 メッシュ接続を表現するためのボトルネックに新たなベースグラフを導入することで、オブジェクト形状を表す共有潜在空間の学習が容易になる。 ラッピングネットメッシュ学習の優位性は、ポイントクラウド学習と比較し、再構成品質と競合分類の改善と、異なるカテゴリのメッシュ間の潜在補間によってさらに実証される。

関連論文リスト

• Segment Any 3D Object with Language [58.471327490684295]
  本稿では,Segment any 3D Object with LanguagE (SOLE)を紹介した。 具体的には、バックボーンとデコーダの両方にマルチモーダル意味を組み込むマルチモーダル融合ネットワークを提案する。 我々のSOLEは、ScanNetv2、ScanNet200、Replicaベンチマークにおいて、従来の方法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2024-04-02T17:59:10Z)
• Dynamic Clustering Transformer Network for Point Cloud Segmentation [23.149220817575195]
  動的クラスタリングトランスネットワーク(DCTNet)と呼ばれる新しい3Dポイントクラウド表現ネットワークを提案する。 エンコーダ-デコーダアーキテクチャがあり、ローカルとグローバルの両方の機能学習が可能である。 提案手法は,オブジェクトベースデータセット(ShapeNet),都市ナビゲーションデータセット(Toronto-3D),マルチスペクトルLiDARデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-05-30T01:11:05Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• 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)
• TearingNet: Point Cloud Autoencoder to Learn Topology-Friendly Representations [20.318695890515613]
  本稿では,固定長ディスクリプタを用いたポイントクラウドの表現に挑戦する自動エンコーダTearingNetを提案する。 我々のTeringNetは、提案されたTeringネットワークモジュールと、相互に反復的に相互作用するFoldingネットワークモジュールによって特徴付けられる。 実験は、点雲の再構成や、ベンチマークよりもトポロジに優しい表現を生成するという点で、我々の提案の優位性を示している。
  論文  参考訳（メタデータ） (2020-06-17T22:42:43Z)
• MeshWalker: Deep Mesh Understanding by Random Walks [19.594977587417247]
  コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。 本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。 提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-09T15:35:41Z)
• 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。