論文の概要: Deep Deformable Models: Learning 3D Shape Abstractions with Part Consistency

• arxiv url: http://arxiv.org/abs/2309.01035v1
• Date: Sat, 2 Sep 2023 23:18:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 23:36:16.621099
• Title: Deep Deformable Models: Learning 3D Shape Abstractions with Part Consistency
• Title（参考訳）: 深い変形可能なモデル:部分整合性による3次元形状抽象化の学習
• Authors: Di Liu, Long Zhao, Qilong Zhangli, Yunhe Gao, Ting Liu, Dimitris N. Metaxas
• Abstract要約: 最近の手法では、ターゲットに合う単純なプリミティブのセットを使ってオブジェクトの形状を表現することを学ぶ。 これらのプリミティブは必ずしも実際の部分に対応するわけではないし、意味解釈の幾何学的柔軟性に欠ける。 本稿では,高精度な形状抽象化のための有能で効率的なプリミティブ記述子について検討する。
• 参考スコア（独自算出の注目度）: 37.28811220509584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of shape abstraction with semantic part consistency is challenging due to the complex geometries of natural objects. Recent methods learn to represent an object shape using a set of simple primitives to fit the target. \textcolor{black}{However, in these methods, the primitives used do not always correspond to real parts or lack geometric flexibility for semantic interpretation.} In this paper, we investigate salient and efficient primitive descriptors for accurate shape abstractions, and propose \textit{Deep Deformable Models (DDMs)}. DDM employs global deformations and diffeomorphic local deformations. These properties enable DDM to abstract complex object shapes with significantly fewer primitives that offer broader geometry coverage and finer details. DDM is also capable of learning part-level semantic correspondences due to the differentiable and invertible properties of our primitive deformation. Moreover, DDM learning formulation is based on dynamic and kinematic modeling, which enables joint regularization of each sub-transformation during primitive fitting. Extensive experiments on \textit{ShapeNet} demonstrate that DDM outperforms the state-of-the-art in terms of reconstruction and part consistency by a notable margin.
• Abstract（参考訳）: 意味的な部分一貫性を持つ形状抽象化のタスクは、自然オブジェクトの複雑なジオメトリのために難しい。 最近の手法では、ターゲットに合う単純なプリミティブのセットを使ってオブジェクトの形状を表現することを学ぶ。 しかし、これらのメソッドでは、使用するプリミティブは必ずしも実際の部分に対応したり、意味解釈の幾何学的柔軟性を欠いているわけではない。 本稿では,正確な形状抽象化のための高度かつ効率的なプリミティブディスクリプタについて検討し, \textit{deep deformable models (ddms)" を提案する。 DDMは大域的変形と微分同相局所変形を用いる。 これらの特性により、ddmはより広い幾何学的範囲とより詳細な詳細を提供する、非常に少ないプリミティブで複雑なオブジェクト形状を抽象化することができる。 DDMはまた、原始変形の微分可能かつ可逆性に起因する部分レベルの意味対応を学習することができる。 さらに、ddm学習定式化は動的およびキネマティックなモデリングに基づいており、プリミティブフィッティング中の各サブトランスフォーメーションのジョイント正則化を可能にする。 textit{shapenet} に関する広範な実験は、ddmが再構築と部分整合性の点で最先端を上回っていることを示している。

関連論文リスト

• Implicit Modeling of Non-rigid Objects with Cross-Category Signals [28.956412015920936]
  MODIFは、複数のオブジェクトに対する変形フィールドとインスタンス固有の潜時符号を同時に学習する多目的深い暗黙関数である。 我々は,MODIFが各臓器の形状表現と他臓器との関係を良好に学習できることを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:34:17Z)
• DeFormer: Integrating Transformers with Deformable Models for 3D Shape Abstraction from a Single Image [31.154786931081087]
  本稿では,パラメータ化デフォルマブルモデルと統合された新しいバイチャネルトランスフォーマアーキテクチャを提案し,プリミティブのグローバルおよび局所的な変形を同時に推定する。 DeFormerは、最先端技術よりもより良い再構築精度を実現し、一貫したセマンティック対応で可視化し、解釈性を向上させる。
  論文  参考訳（メタデータ） (2023-09-22T02:46:43Z)
• DTF-Net: Category-Level Pose Estimation and Shape Reconstruction via Deformable Template Field [29.42222066097076]
  RGB-Depth画像ペアから、オープンワールドシーンの6Dポーズの推定と3D形状の再構築は困難である。 本稿では,オブジェクトカテゴリの暗黙的ニューラルネットワークに基づくポーズ推定と形状再構成のための新しいフレームワークであるDTF-Netを提案する。
  論文  参考訳（メタデータ） (2023-08-04T10:35:40Z)
• SPAMs: Structured Implicit Parametric Models [30.19414242608965]
  本研究では,非剛体物体の動きを形状とポーズの部分的不整合表現に構造的に分解する変形可能なオブジェクト表現として,構造化単純パラメトリックモデル(SPAM)を学習する。 複雑な変形物体の動きの深度配列の復元と追跡において、我々の部分認識形状とポーズ理解が最先端のパフォーマンスに繋がることを示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-20T12:33:46Z)
• 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)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。