論文の概要: SimNP: Learning Self-Similarity Priors Between Neural Points

• arxiv url: http://arxiv.org/abs/2309.03809v2
• Date: Fri, 12 Jul 2024 19:45:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 04:58:50.879727
• Title: SimNP: Learning Self-Similarity Priors Between Neural Points
• Title（参考訳）: SimNP: 神経点間の自己相似性を学習する
• Authors: Christopher Wewer, Eddy Ilg, Bernt Schiele, Jan Eric Lenssen,
• Abstract要約: SimNPはカテゴリーレベルの自己相似性を学ぶ方法である。 我々は、SimNPが対称な見えない対象領域の再構成において、従来の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 52.4201466988562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing neural field representations for 3D object reconstruction either (1) utilize object-level representations, but suffer from low-quality details due to conditioning on a global latent code, or (2) are able to perfectly reconstruct the observations, but fail to utilize object-level prior knowledge to infer unobserved regions. We present SimNP, a method to learn category-level self-similarities, which combines the advantages of both worlds by connecting neural point radiance fields with a category-level self-similarity representation. Our contribution is two-fold. (1) We design the first neural point representation on a category level by utilizing the concept of coherent point clouds. The resulting neural point radiance fields store a high level of detail for locally supported object regions. (2) We learn how information is shared between neural points in an unconstrained and unsupervised fashion, which allows to derive unobserved regions of an object during the reconstruction process from given observations. We show that SimNP is able to outperform previous methods in reconstructing symmetric unseen object regions, surpassing methods that build upon category-level or pixel-aligned radiance fields, while providing semantic correspondences between instances
• Abstract（参考訳）: 既存の3Dオブジェクト再構成のためのニューラルネットワーク表現は、(1)オブジェクトレベル表現を利用するが、グローバルな潜伏符号の条件付けにより、低品質の細部に苦しむか、(2)観察を完璧に再構築することができるが、観測されていない領域を推測するためにオブジェクトレベルの事前知識を利用できないかのいずれかである。 カテゴリーレベルの自己相似性を学習する手法であるSimNPを提案する。これは、ニューラルネットワークとカテゴリレベルの自己相似性表現を結合することにより、両方の世界の利点を組み合わせたものである。 私たちの貢献は2倍です。 1) コヒーレント・ポイント・クラウドの概念を利用して,カテゴリーレベルでの最初の神経点表現を設計する。 結果として得られる神経点放射場は、局所的に支持された対象領域に対して高いレベルの詳細を記憶する。 2) 再建過程において, 対象の未観測領域を所定の観測から導き出すことが可能な, 制約のない, 教師なしの方法で, ニューラルポイント間での情報共有を学習する。 我々は、SimNPが、カテゴリレベルまたはピクセルアラインなラディアンスフィールド上に構築され、インスタンス間の意味的対応を提供しながら、対称な見えないオブジェクト領域を再構築する従来の手法よりも優れていることを示す。

関連論文リスト

• Category-level Neural Field for Reconstruction of Partially Observed Objects in Indoor Environment [24.880495520422006]
  シーン内に存在する同じカテゴリに属するオブジェクト間で有意義な共通3D情報を学習するカテゴリレベルのニューラルフィールドを提案する。 私たちのキーとなるアイデアは、観察された形状に基づいてオブジェクトを分類し、カテゴリレベルのモデルのより良いトレーニングを行うことです。 シミュレーションと実世界のデータセットによる実験により,いくつかのカテゴリで観測されていない部分の再構成を改善することが実証された。
  論文  参考訳（メタデータ） (2024-06-12T13:09:59Z)
• Canonical Fields: Self-Supervised Learning of Pose-Canonicalized Neural Fields [9.401281193955583]
  CaFi-Netは、ニューラルネットワークとして表されるオブジェクトカテゴリからインスタンスの3Dポーズを標準化するための自己教師型手法である。 推論では, 任意の3次元ポーズにおいて, 新規物体のニューラルレイディアンス場を学習する。 13のオブジェクトカテゴリにまたがる1300のNeRFモデルのデータセットに対する実験により、我々の手法が3Dポイントクラウドベースの手法の性能に適合しているか、超越しているかが示されている。
  論文  参考訳（メタデータ） (2022-12-05T18:56:36Z)
• Sim2Real Object-Centric Keypoint Detection and Description [40.58367357980036]
  キーポイントの検出と記述はコンピュータビジョンにおいて中心的な役割を果たす。 対象中心の定式化を提案し、各関心点が属する対象をさらに特定する必要がある。 我々はシミュレーションで訓練されたモデルを現実のアプリケーションに一般化できるsim2realコントラスト学習機構を開発した。
  論文  参考訳（メタデータ） (2022-02-01T15:00:20Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Neural Points: Point Cloud Representation with Neural Fields [31.167929128314096]
  本稿では,新しいポイントクラウド表現であるemphNeural Pointsを提案する。 ニューラルポイントの各点は、ニューラルネットワークを介して局所的な連続的な幾何学的形状を表す。 ニューラルポイントは強力な表現能力を持ち、優れた堅牢性と一般化能力を示す。
  論文  参考訳（メタデータ） (2021-12-08T07:34:17Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)
• Interpretable and Accurate Fine-grained Recognition via Region Grouping [14.28113520947247]
  微粒な視覚認識のための解釈可能な深層モデルを提案する。 私たちの手法の中核は、ディープニューラルネットワーク内での領域ベースの部分発見と帰属の統合です。 本研究は,分類タスクの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-05-21T01:18:26Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• Global-Local Bidirectional Reasoning for Unsupervised Representation Learning of 3D Point Clouds [109.0016923028653]
  局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。 本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
  論文  参考訳（メタデータ） (2020-03-29T08:26:08Z)

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。