Fugu-MT 論文翻訳(概要): DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation

論文の概要: DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation

arxiv url: http://arxiv.org/abs/2311.13125v2
Date: Fri, 26 Apr 2024 03:16:47 GMT
ステータス: 処理完了
システム内更新日: 2024-04-29 17:48:19.342793
Title: DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation
Title（参考訳）: DAE-Net: きめ細かい形状のコセグメンテーションのためのデフォーミングオートエンコーダ
Authors: Zhiqin Chen, Qimin Chen, Hang Zhou, Hao Zhang,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 22.538892330541582
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an unsupervised 3D shape co-segmentation method which learns a set of deformable part templates from a shape collection. To accommodate structural variations in the collection, our network composes each shape by a selected subset of template parts which are affine-transformed. To maximize the expressive power of the part templates, we introduce a per-part deformation network to enable the modeling of diverse parts with substantial geometry variations, while imposing constraints on the deformation capacity to ensure fidelity to the originally represented parts. We also propose a training scheme to effectively overcome local minima. Architecturally, our network is a branched autoencoder, with a CNN encoder taking a voxel shape as input and producing per-part transformation matrices, latent codes, and part existence scores, and the decoder outputting point occupancies to define the reconstruction loss. Our network, coined DAE-Net for Deforming Auto-Encoder, can achieve unsupervised 3D shape co-segmentation that yields fine-grained, compact, and meaningful parts that are consistent across diverse shapes. We conduct extensive experiments on the ShapeNet Part dataset, DFAUST, and an animal subset of Objaverse to show superior performance over prior methods. Code and data are available at https://github.com/czq142857/DAE-Net.
Abstract（参考訳）: 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。部分テンプレートの表現力を最大化するために,変形容量に制約を課し,各部分の変形ネットワークを導入し,形状変化の大きい多様な部品のモデリングを可能にする。また,ローカル・ミニマを効果的に克服するためのトレーニング手法を提案する。アーキテクチャ上,我々のネットワークは分岐オートエンコーダであり,Voxel形状を入力とし,各部分変換行列,潜時符号および部分存在スコアを生成するCNNエンコーダと,復調損失を定義するための点占有を出力するデコーダを備える。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、様々な形状で一貫した細粒度でコンパクトで有意義な部分を生み出す、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。本研究では,ShapeNet Partデータセット,DFAUST,およびObjaverseの動物サブセットに関する広範な実験を行い,従来の手法よりも優れた性能を示す。コードとデータはhttps://github.com/czq142857/DAE-Netで公開されている。

関連論文リスト

CNS-Edit: 3D Shape Editing via Coupled Neural Shape Optimization [56.47175002368553]
本稿では、3次元形状編集を潜在空間で暗黙的に行うために,結合表現とニューラルボリューム最適化に基づく新しい手法を提案する。まず,3次元形状編集を支援する結合型ニューラル形状表現を設計する。第二に、結合したニューラルネットワークの形状最適化手順を定式化し、編集操作対象の2つの結合した成分を協調最適化する。
論文参考訳（メタデータ） (2024-02-04T01:52:56Z)
Attention-based Part Assembly for 3D Volumetric Shape Modeling [0.0]
本稿では、注意に基づく部分集合のためのVoxAttention Networkアーキテクチャを提案する。実験結果から,本手法は部分関係を考慮した3次元形状モデリングタスクにおいて,最先端の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） (2023-04-17T16:53:27Z)
Dual Octree Graph Networks for Learning Adaptive Volumetric Shape Representations [21.59311861556396]
本手法は,3次元形状の体積場を,オクツリーによって構成された適応的特徴量で符号化する。エンコーダ・デコーダネットワークは、オクツリーノードの二重グラフ上のグラフ畳み込みに基づいて、適応的な特徴量を学ぶように設計されている。提案手法は, 形状詳細を効果的に符号化し, 高速な3次元形状復元を可能にし, 訓練カテゴリから3次元形状をモデル化するための優れた汎用性を示す。
論文参考訳（メタデータ） (2022-05-05T17:56:34Z)
EditVAE: Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation [19.817166425038753]
本稿では,パートアウェアポイントクラウド生成の問題に対処する。変分オートエンコーダの簡単な修正により、点雲自体のジョイントモデルが得られる。歪んだ表現によって得られる柔軟性に加えて、我々のジョイントモデリングアプローチによって導入された帰納バイアスは、ShapeNetデータセットの最先端の実験結果をもたらす。
論文参考訳（メタデータ） (2021-10-13T12:38:01Z)
SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
論文参考訳（メタデータ） (2021-08-10T06:49:45Z)
Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
論文参考訳（メタデータ） (2021-04-27T17:53:46Z)
CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly [17.82598676258891]
3Dコンピュータ支援設計(CAD)モデルのコンパクトで解釈可能な暗黙表現を学習するためのニューラルネットワークCAPRI-Netを紹介します。当社のネットワークは、ポイントクラウドまたはボキセルグリッドとして提供できる入力3D形状を取り、四面プリミティブのコンパクトなアセンブリによってそれを再構築します。本研究では,これまでで最大かつ多種多様なCADデータセットであるShapeNetとABCの学習フレームワークを,再構築品質,形状エッジ,コンパクト性,解釈可能性の観点から評価した。
論文参考訳（メタデータ） (2021-04-12T17:21:19Z)
DECOR-GAN: 3D Shape Detailization by Conditional Refinement [50.8801457082181]
本稿では,3次元形状詳細化のための深層生成ネットワークについて紹介する。提案手法は, 粗い形状を様々な形状の細かな形状に洗練することができることを示す。
論文参考訳（メタデータ） (2020-12-16T18:52:10Z)
Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文参考訳（メタデータ） (2020-05-04T20:03:21Z)
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)
Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
論文参考訳（メタデータ） (2020-03-14T00:48:34Z)

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。