論文の概要: Unsupervised Representation Learning for Diverse Deformable Shape
Collections
- arxiv url: http://arxiv.org/abs/2310.18141v1
- Date: Fri, 27 Oct 2023 13:45:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 13:46:35.446571
- Title: Unsupervised Representation Learning for Diverse Deformable Shape
Collections
- Title(参考訳): 可変形状コレクションの教師なし表現学習
- Authors: Sara Hahner, Souhaib Attaiki, Jochen Garcke, Maks Ovsjanikov
- Abstract要約: 本稿では,3次元表面メッシュを符号化し,操作するための新しい学習手法を提案する。
本手法は,変形可能な形状収集のための解釈可能な埋め込み空間を作成するために設計されている。
- 参考スコア(独自算出の注目度): 30.271818994854353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel learning-based method for encoding and manipulating 3D
surface meshes. Our method is specifically designed to create an interpretable
embedding space for deformable shape collections. Unlike previous 3D mesh
autoencoders that require meshes to be in a 1-to-1 correspondence, our approach
is trained on diverse meshes in an unsupervised manner. Central to our method
is a spectral pooling technique that establishes a universal latent space,
breaking free from traditional constraints of mesh connectivity and shape
categories. The entire process consists of two stages. In the first stage, we
employ the functional map paradigm to extract point-to-point (p2p) maps between
a collection of shapes in an unsupervised manner. These p2p maps are then
utilized to construct a common latent space, which ensures straightforward
interpretation and independence from mesh connectivity and shape category.
Through extensive experiments, we demonstrate that our method achieves
excellent reconstructions and produces more realistic and smoother
interpolations than baseline approaches.
- Abstract(参考訳): 本稿では,3次元表面メッシュの符号化と操作を行う新しい学習手法を提案する。
本手法は変形可能な形状コレクションのための解釈可能な埋め込み空間を作成するために特別に設計されている。
メッシュを1対1で対応させる従来の3Dメッシュオートエンコーダとは異なり、我々のアプローチは教師なしの方法で多様なメッシュで訓練されている。
メッシュ接続や形状カテゴリの従来の制約から解放された普遍的潜在空間を確立する,スペクトルプーリング手法が本手法の中心である。
全工程は2段階からなる。
第一段階では、関数写像パラダイムを用いて、教師なしの方法で形状の集合間の点対点(p2p)マップを抽出する。
これらの p2p マップは共通の潜在空間を構築するために利用され、メッシュ接続性や形状圏からの直接的な解釈と独立性を保証する。
広範な実験により,本手法が優れた再構成を達成し,ベースラインアプローチよりも現実的かつ円滑な補間を実現することを実証した。
関連論文リスト
- Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳(メタデータ) (2024-02-29T07:26:23Z) - Explorable Mesh Deformation Subspaces from Unstructured Generative
Models [53.23510438769862]
3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。
本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T18:53:57Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳(メタデータ) (2023-09-09T16:21:56Z) - Zero-Shot 3D Shape Correspondence [67.18775201037732]
本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。
我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。
提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
論文 参考訳(メタデータ) (2023-06-05T21:14:23Z) - Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching [15.050801537501462]
我々は、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入する。
我々の形状マッチングアプローチは、三角形メッシュ、完全点雲、部分的に観察された点雲のモード内対応を得ることを可能にする。
提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果を達成できることを実証する。
論文 参考訳(メタデータ) (2023-03-20T09:47:02Z) - PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval
and Deformation [59.70430570779819]
本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。
私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。
部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
論文 参考訳(メタデータ) (2022-07-24T18:59:09Z) - 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) - Deep Geometric Functional Maps: Robust Feature Learning for Shape
Correspondence [31.840880075039944]
非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。
提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
論文 参考訳(メタデータ) (2020-03-31T15:20:17Z)
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。