論文の概要: ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation

• arxiv url: http://arxiv.org/abs/2311.11106v2
• Date: Mon, 11 Mar 2024 07:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 15:19:17.742112
• Title: ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation
• Title（参考訳）: ShapeMatcher: 自己監督型関節形状正準化, セグメンテーション, 検索, 変形
• Authors: Yan Di, Chenyangguang Zhang, Chaowei Wang, Ruida Zhang, Guangyao Zhai, Yanyan Li, Bowen Fu, Xiangyang Ji, Shan Gao
• Abstract要約: 本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
• 参考スコア（独自算出の注目度）: 47.94499636697971
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this paper, we present ShapeMatcher, a unified self-supervised learning framework for joint shape canonicalization, segmentation, retrieval and deformation. Given a partially-observed object in an arbitrary pose, we first canonicalize the object by extracting point-wise affine-invariant features, disentangling inherent structure of the object with its pose and size. These learned features are then leveraged to predict semantically consistent part segmentation and corresponding part centers. Next, our lightweight retrieval module aggregates the features within each part as its retrieval token and compare all the tokens with source shapes from a pre-established database to identify the most geometrically similar shape. Finally, we deform the retrieved shape in the deformation module to tightly fit the input object by harnessing part center guided neural cage deformation. The key insight of ShapeMaker is the simultaneous training of the four highly-associated processes: canonicalization, segmentation, retrieval, and deformation, leveraging cross-task consistency losses for mutual supervision. Extensive experiments on synthetic datasets PartNet, ComplementMe, and real-world dataset Scan2CAD demonstrate that ShapeMaker surpasses competitors by a large margin.
• Abstract（参考訳）: 本稿では,共同形状の正準化,セグメンテーション,検索,変形のための統一的自己教師付き学習フレームワークshapematcherを提案する。 任意のポーズで部分的に観察されたオブジェクトが与えられると、まず、そのオブジェクトのポーズとサイズでオブジェクトの固有の構造を分離し、ポイントワイズアフィン不変な特徴を抽出することによって、オブジェクトを正準化する。 これらの学習された特徴は、意味的に一貫した部分分割と対応する部分中心を予測するために活用される。 次に,各部分の特徴を検索トークンとして集約し,すべてのトークンと既存のデータベースからのソース形状を比較し,最も幾何学的に類似した形状を識別する。 最後に、部品中心誘導ニューラルケージ変形を利用して、取得した変形モジュールの形状を変形させ、入力対象を密にフィットさせる。 shapemakerの重要な洞察は、カノニカライズ、セグメンテーション、検索、変形という4つの高度関連プロセスの同時トレーニングであり、相互監督のためにタスク間の一貫性の損失を活用する。 合成データセットのPartNet、ComplementMe、および実世界のデータセットScan2CADに関する大規模な実験は、ShapeMakerが競合をはるかに上回っていることを示している。

関連論文リスト

• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
  本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。 ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
  論文  参考訳（メタデータ） (2023-11-22T03:26:07Z)
• Category-level Shape Estimation for Densely Cluttered Objects [94.64287790278887]
  そこで本研究では,密に散らばった物体のカテゴリレベルの形状推定手法を提案する。 我々のフレームワークは、多視点視覚情報融合によって、各オブジェクトをクラッタに分割する。 シミュレーション環境と実世界の実験から,本手法が高精度な形状推定を実現することが示された。
  論文  参考訳（メタデータ） (2023-02-23T13:00:17Z)
• 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)
• Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds [8.156355030558172]
  複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:15:16Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)
• Cross-Shape Attention for Part Segmentation of 3D Point Clouds [11.437076464287822]
  本稿では,形状のポイントワイド特徴と他の形状との相互作用を可能にするために,断面アテンション機構を提案する。 このメカニズムは点間の相互作用の度合いを評価し、また形状間の特徴伝播を仲介する。 我々のアプローチは、人気の高いPartNetデータセットに最先端の結果をもたらす。
  論文  参考訳（メタデータ） (2020-03-20T00:23:10Z)

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。