論文の概要: Deformation-Guided Unsupervised Non-Rigid Shape Matching

• arxiv url: http://arxiv.org/abs/2311.15668v1
• Date: Mon, 27 Nov 2023 09:55:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 16:11:43.090390
• Title: Deformation-Guided Unsupervised Non-Rigid Shape Matching
• Title（参考訳）: 変形誘導非教師なし形状マッチング
• Authors: Aymen Merrouche, Joao Regateiro, Stefanie Wuhrer, Edmond Boyer
• Abstract要約: 非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。 本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
• 参考スコア（独自算出の注目度）: 7.327850781641328
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present an unsupervised data-driven approach for non-rigid shape matching. Shape matching identifies correspondences between two shapes and is a fundamental step in many computer vision and graphics applications. Our approach is designed to be particularly robust when matching shapes digitized using 3D scanners that contain fine geometric detail and suffer from different types of noise including topological noise caused by the coalescence of spatially close surface regions. We build on two strategies. First, using a hierarchical patch based shape representation we match shapes consistently in a coarse to fine manner, allowing for robustness to noise. This multi-scale representation drastically reduces the dimensionality of the problem when matching at the coarsest scale, rendering unsupervised learning feasible. Second, we constrain this hierarchical matching to be reflected in 3D by fitting a patch-wise near-rigid deformation model. Using this constraint, we leverage spatial continuity at different scales to capture global shape properties, resulting in matchings that generalize well to data with different deformations and noise characteristics. Experiments demonstrate that our approach obtains significantly better results on raw 3D scans than state-of-the-art methods, while performing on-par on standard test scenarios.
• Abstract（参考訳）: 非剛体形状マッチングのための教師なしデータ駆動アプローチを提案する。 形状マッチングは2つの形状間の対応を識別し、多くのコンピュータビジョンやグラフィックスアプリケーションにおける基本的なステップである。 空間的に近接した領域の合体によって生じるトポロジカルノイズを含む様々な種類のノイズに悩まされる3Dスキャナーを用いて、形状をデジタル化した場合、特にロバストに設計されている。 私たちは2つの戦略を構築します。 まず、階層的なパッチベースの形状表現を用いて、連続した形状を粗い方法で微妙に整合させ、ノイズに対する堅牢性を実現する。 このマルチスケール表現は、粗いスケールでマッチングする際の問題の次元を劇的に減らし、教師なし学習を可能にする。 次に,この階層的マッチングをパッチワイズ近似剛性変形モデルに適合させて3次元に反映するように制約する。 この制約を用いて,空間連続性を異なるスケールで活用し,大域的な形状特性を捉えることにより,変形やノイズ特性の異なるデータによく一般化したマッチングを実現する。 実験により,本手法は,標準的なテストシナリオにおいて,最先端の手法よりも生の3Dスキャンの方がはるかに優れた結果が得られることが示された。

関連論文リスト

• Synchronous Diffusion for Unsupervised Smooth Non-Rigid 3D Shape Matching [15.843208029973175]
  非剛性3次元形状整合問題において,正則化として用いる同期拡散過程を提案する。 我々の新しい規則化は、特にトポロジカルノイズの存在下で、形状整合の最先端性を大幅に向上させることができることを実証する。
  論文  参考訳（メタデータ） (2024-07-11T07:45:06Z)
• 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)
• Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
  そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。 具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
  論文  参考訳（メタデータ） (2023-12-17T04:50:24Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• 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)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• 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)

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。