Fugu-MT 論文翻訳(概要): Non-Rigid Shape Registration via Deep Functional Maps Prior

論文の概要: Non-Rigid Shape Registration via Deep Functional Maps Prior

arxiv url: http://arxiv.org/abs/2311.04494v1
Date: Wed, 8 Nov 2023 06:52:57 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 16:51:09.868994
Title: Non-Rigid Shape Registration via Deep Functional Maps Prior
Title（参考訳）: 深部機能マップによる非剛体形状の事前登録
Authors: Puhua Jiang and Mingze Sun and Ruqi Huang
Abstract要約: 本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
参考スコア（独自算出の注目度）: 1.9249120068573227
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose a learning-based framework for non-rigid shape registration without correspondence supervision. Traditional shape registration techniques typically rely on correspondences induced by extrinsic proximity, therefore can fail in the presence of large intrinsic deformations. Spectral mapping methods overcome this challenge by embedding shapes into, geometric or learned, high-dimensional spaces, where shapes are easier to align. However, due to the dependency on abstract, non-linear embedding schemes, the latter can be vulnerable with respect to perturbed or alien input. In light of this, our framework takes the best of both worlds. Namely, we deform source mesh towards the target point cloud, guided by correspondences induced by high-dimensional embeddings learned from deep functional maps (DFM). In particular, the correspondences are dynamically updated according to the intermediate registrations and filtered by consistency prior, which prominently robustify the overall pipeline. Moreover, in order to alleviate the requirement of extrinsically aligned input, we train an orientation regressor on a set of aligned synthetic shapes independent of the training shapes for DFM. Empirical results show that, with as few as dozens of training shapes of limited variability, our pipeline achieves state-of-the-art results on several benchmarks of non-rigid point cloud matching, but also delivers high-quality correspondences between unseen challenging shape pairs that undergo both significant extrinsic and intrinsic deformations, in which case neither traditional registration methods nor intrinsic methods work. The code is available at https://github.com/rqhuang88/DFR.
Abstract（参考訳）: 本稿では,対応しない非剛体形状登録のための学習ベースフレームワークを提案する。伝統的な形状登録技術は、通常、外部近接によって引き起こされる対応に依存するため、大きな内在的変形が存在する場合に失敗する。スペクトルマッピング法は、形状が整列しやすい高次元空間に幾何学的あるいは学習された形状を埋め込むことで、この課題を克服した。しかし、抽象的で非線形な埋め込みスキームに依存するため、後者は摂動または異質な入力に関して脆弱である。これを踏まえて、私たちのフレームワークは両方の世界を最大限に活用します。具体的には,深部機能マップ(dfm)から学習した高次元埋め込みによる対応によって誘導される,ターゲットポイントクラウドに向かってソースメッシュを変形する。特に、対応は中間登録に従って動的に更新され、一貫性が先行してフィルタされ、パイプライン全体のロバストが顕著になる。さらに,高度に整列した入力の要求を緩和するために,dfmの訓練形状に依存しない一組の整列合成形状に向き付けレグレッシャを訓練する。実験的な結果から,本研究のパイプラインは,限られた変動性のトレーニング形状が数十種類にも満たないため,非剛点クラウドマッチングのいくつかのベンチマークで最先端の結果が得られ,また,従来の登録手法や本質的な手法が機能しないような,目立たない難解な形状のペア間の高品質な適合性も示している。コードはhttps://github.com/rqhuang88/dfrで入手できる。

関連論文リスト

SRIF: Semantic Shape Registration Empowered by Diffusion-based Image Morphing and Flow Estimation [2.336821026049481]
拡散型画像モーフィングとフロー推定に基づく新しいセマンティック形状登録フレームワークSRIFを提案する。 SRIFは、挑戦的な形状対に関する高品質な密接な対応を実現するが、その間にスムーズで意味のある意味を与える。
論文参考訳（メタデータ） (2024-09-18T03:47:24Z)
Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
論文参考訳（メタデータ） (2024-04-17T08:09:25Z)
Robustifying Generalizable Implicit Shape Networks with a Tunable Non-Parametric Model [10.316008740970037]
無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
論文参考訳（メタデータ） (2023-11-21T20:12:29Z)
Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
論文参考訳（メタデータ） (2022-03-15T07:22:52Z)
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)
Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文参考訳（メタデータ） (2021-11-25T02:37:59Z)
DPFM: Deep Partial Functional Maps [28.045544079256686]
我々は、潜在的に有意な部分性を有する非剛体形状間の密接な対応を計算することの問題を考察する。部分的な非剛体形状対応を直接目的とする初等学習手法を提案する。我々のアプローチは関数マップフレームワークを使用し、教師なしまたは教師なしの方法で訓練し、データから直接記述子を学習する。
論文参考訳（メタデータ） (2021-10-19T14:05:37Z)
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)
SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文参考訳（メタデータ） (2021-04-08T17:54:59Z)
ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
論文参考訳（メタデータ） (2020-05-23T14:56:14Z)
Hamiltonian Dynamics for Real-World Shape Interpolation [66.47407593823208]
我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
論文参考訳（メタデータ） (2020-04-10T18:38:52Z)

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。