論文の概要: StructRe: Rewriting for Structured Shape Modeling

• arxiv url: http://arxiv.org/abs/2311.17510v2
• Date: Thu, 30 Nov 2023 04:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 11:22:23.197106
• Title: StructRe: Rewriting for Structured Shape Modeling
• Title（参考訳）: StructRe:構造化形状モデリングのための書き換え
• Authors: Jiepeng Wang, Hao Pan, Yang Liu, Xin Tong, Taku Komura, Wenping Wang
• Abstract要約: 本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。 ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
• 参考スコア（独自算出の注目度）: 63.792684115318906
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Man-made 3D shapes are naturally organized in parts and hierarchies; such structures provide important constraints for shape reconstruction and generation. Modeling shape structures is difficult, because there can be multiple hierarchies for a given shape, causing ambiguity, and across different categories the shape structures are correlated with semantics, limiting generalization. We present StructRe, a structure rewriting system, as a novel approach to structured shape modeling. Given a 3D object represented by points and components, StructRe can rewrite it upward into more concise structures, or downward into more detailed structures; by iterating the rewriting process, hierarchies are obtained. Such a localized rewriting process enables probabilistic modeling of ambiguous structures and robust generalization across object categories. We train StructRe on PartNet data and show its generalization to cross-category and multiple object hierarchies, and test its extension to ShapeNet. We also demonstrate the benefits of probabilistic and generalizable structure modeling for shape reconstruction, generation and editing tasks.
• Abstract（参考訳）: 人工の3d形状は、自然に部品や階層に構成され、そのような構造は形状の再構築や生成に重要な制約を与える。 形状構造のモデリングは、与えられた形状に対して複数の階層が存在し、あいまいさを引き起こし、異なるカテゴリにわたって、形状構造は意味論と相関し、一般化を制限するため困難である。 本稿では構造化形状モデリングの新しいアプローチとして構造書き換えシステムStructReを提案する。 ポイントとコンポーネントで表現された3dオブジェクトが与えられると、structreはそれをより簡潔な構造に上向きに書き換えるか、より詳細な構造に下向きに書き換えることができる。 このような局所的な書き換えプロセスは、あいまいな構造の確率的モデリングとオブジェクトカテゴリ間の堅牢な一般化を可能にする。 PartNetデータ上でStructReをトレーニングし、そのクロスカテゴリと複数のオブジェクト階層への一般化を示し、ShapeNetの拡張をテストする。 また, 形状再構成, 生成, 編集作業における確率的, 一般化可能な構造モデリングの利点を示す。

関連論文リスト

• Parameterize Structure with Differentiable Template for 3D Shape Generation [39.414253821696846]
  最近の3次元形状生成には複雑なネットワークと構造定義が使用されている。 本稿では,同じカテゴリの共有構造を微分可能なテンプレートを用いてパラメータ化する手法を提案する。 本手法は,複雑な細部で多種多様な形状を再構築あるいは生成し,円滑に補間することができる。
  論文  参考訳（メタデータ） (2024-10-14T11:43:02Z)
• DPF-Net: Combining Explicit Shape Priors in Deformable Primitive Field for Unsupervised Structural Reconstruction of 3D Objects [12.713770164154461]
  本稿では,新しい変形可能なプリミティブフィールド表現に基づく非教師なし構造再構成手法DPF-Netを提案する。 パラメータ化幾何プリミティブで事前に符号化された強い形状により、DPF-Netは高次構造を抽出し、きめ細かい形状の細部を連続的に復元することができる。
  論文  参考訳（メタデータ） (2023-08-25T07:50:59Z)
• Grokking of Hierarchical Structure in Vanilla Transformers [72.45375959893218]
  トランスフォーマー言語モデルでは,極端に長い訓練期間を経て階層的に一般化できることが示される。 中間深度モデルは、非常に深い変圧器と非常に浅い変圧器の両方よりも良く一般化される。
  論文  参考訳（メタデータ） (2023-05-30T04:34:13Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• LSD-StructureNet: Modeling Levels of Structural Detail in 3D Part Hierarchies [5.173975064973631]
  部品の再生を可能にするStructureNetアーキテクチャの拡張であるLSD-StructureNetを紹介する。 部品階層で表される3次元形状の最大データセットであるPartNetデータセット上でLSD-StructureNetを評価する。
  論文  参考訳（メタデータ） (2021-08-18T15:05:06Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• STD-Net: Structure-preserving and Topology-adaptive Deformation Network for 3D Reconstruction from a Single Image [27.885717341244014]
  単一のビューイメージからの3D再構成は、コンピュータビジョンにおける長年の進歩である。 本稿では,メッシュ表現を用いた3次元モデル再構築のためのSTD-Netを提案する。 ShapeNetの画像による実験結果から, 提案したSTD-Netは, 3Dオブジェクトを再構成する他の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-07T11:02:47Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。