論文の概要: Mixing-Denoising Generalizable Occupancy Networks

• arxiv url: http://arxiv.org/abs/2311.12125v1
• Date: Mon, 20 Nov 2023 19:05:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 03:08:42.663361
• Title: Mixing-Denoising Generalizable Occupancy Networks
• Title（参考訳）: 混在型汎用運用ネットワーク
• Authors: Amine Ouasfi and Adnane Boukhayma
• Abstract要約: 現在の最先端の暗黙のニューラル形状モデルは、畳み込みの帰納的バイアスに依存している。 固有モデルバイアスを緩和し、再構成タスクに関連する補助正規化で仮説空間を制約する。 結果として得られたモデルは、ポイントクラウドネットワークからローカルに条件付けされた最初のMLPである。
• 参考スコア（独自算出の注目度）: 10.316008740970037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While current state-of-the-art generalizable implicit neural shape models rely on the inductive bias of convolutions, it is still not entirely clear how properties emerging from such biases are compatible with the task of 3D reconstruction from point cloud. We explore an alternative approach to generalizability in this context. We relax the intrinsic model bias (i.e. using MLPs to encode local features as opposed to convolutions) and constrain the hypothesis space instead with an auxiliary regularization related to the reconstruction task, i.e. denoising. The resulting model is the first only-MLP locally conditioned implicit shape reconstruction from point cloud network with fast feed forward inference. Point cloud borne features and denoising offsets are predicted from an exclusively MLP-made network in a single forward pass. A decoder predicts occupancy probabilities for queries anywhere in space by pooling nearby features from the point cloud order-invariantly, guided by denoised relative positional encoding. We outperform the state-of-the-art convolutional method while using half the number of model parameters.
• Abstract（参考訳）: 現在の最先端の一般化された暗黙のニューラルシェイプモデルは畳み込みの帰納的バイアスに依存しているが、これらのバイアスから生じる特性が、ポイントクラウドからの3d再構成のタスクとどのように互換性があるのかは、まだ完全には分かっていない。 この文脈で一般化可能性に対する別のアプローチを探求する。 固有モデルバイアス(MLPを用いて局所的な特徴を畳み込みではなくエンコードする)を緩和し、再構成タスクに関連する補助正規化(denoising)によって仮説空間を制約する。 得られたモデルは、高速フィードフォワード推論を備えたポイントクラウドネットワークからローカルに条件付の暗黙の形状再構成を行う最初のMLPモデルである。 ポイントクラウドによる特徴とデノナイジングオフセットは、単一のフォワードパスでのみ MLP 製ネットワークから予測される。 デコーダは、特定相対的な位置符号化によって案内される点雲から近傍の特徴を任意にプールすることで、空間内のクエリの占有確率を予測する。 モデルパラメータの半数を使用しながら、最先端の畳み込み手法より優れています。

関連論文リスト

• IPoD: Implicit Field Learning with Point Diffusion for Generalizable 3D Object Reconstruction from Single RGB-D Images [50.4538089115248]
  シングルビューRGB-D画像からの3Dオブジェクトの汎用化は依然として難しい課題である。 本稿では,暗黙の場学習と点拡散を調和させる新しい手法IPoDを提案する。 CO3D-v2データセットによる実験では、IPoDの優位性が確認され、Fスコアは7.8%、チャンファー距離は28.6%向上した。
  論文  参考訳（メタデータ） (2024-03-30T07:17:37Z)
• Generalizing Neural Human Fitting to Unseen Poses With Articulated SE(3) Equivariance [48.39751410262664]
  ArtEqは、点雲からのSMPLモデル推定のための部分ベースSE(3)等価ニューラルネットワークである。 実験の結果,ArtEqはトレーニング中に見えない動作を一般化し,身体再建精度の点で最先端の手法を44%上回った。
  論文  参考訳（メタデータ） (2023-04-20T17:58:26Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• Deep Point Cloud Normal Estimation via Triplet Learning [12.271669779096076]
  点雲の新しい正規推定法を提案する。 a) 局所パッチの表現を学習する特徴符号化と(b) 学習した表現を入力として取り、通常のベクトルを回帰する正規推定である。 本手法は,シャープな特徴を保存し,CAD形状の正常な推定結果を改善する。
  論文  参考訳（メタデータ） (2021-10-20T11:16:00Z)
• Unsupervised 3D Human Mesh Recovery from Noisy Point Clouds [30.401088478228235]
  ノイズの多い点雲から人体形状やポーズを復元するための教師なしのアプローチを提案する。 私たちのネットワークは、教師付きデータでネットワークをウォームアップする必要がないように、ゼロからトレーニングされています。
  論文  参考訳（メタデータ） (2021-07-15T18:07:47Z)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
  本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:01:04Z)

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。