Fugu-MT 論文翻訳(概要): Point Cloud Part Editing: Segmentation, Generation, Assembly, and Selection

論文の概要: Point Cloud Part Editing: Segmentation, Generation, Assembly, and Selection

arxiv url: http://arxiv.org/abs/2312.11867v1
Date: Tue, 19 Dec 2023 05:38:14 GMT
ステータス: 処理完了
システム内更新日: 2023-12-20 16:45:58.119646
Title: Point Cloud Part Editing: Segmentation, Generation, Assembly, and Selection
Title（参考訳）: Point Cloud Partの編集 - セグメンテーション、生成、アセンブリ、選択
Authors: Kaiyi Zhang, Yang Chen, Ximing Yang, Weizhong Zhang, Cheng Jin
Abstract要約: 本稿では,機能障害と制約という2つの戦略を取り入れた部分編集モデルであるSGASを紹介する。異なるデータセットに関する考慮すべき実験は、ポイントクラウド部分編集におけるSGASの有効性と有効性を示している。
参考スコア（独自算出の注目度）: 22.722204190434002
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ideal part editing should guarantee the diversity of edited parts, the fidelity to the remaining parts, and the quality of the results. However, previous methods do not disentangle each part completely, which means the edited parts will affect the others, resulting in poor diversity and fidelity. In addition, some methods lack constraints between parts, which need manual selections of edited results to ensure quality. Therefore, we propose a four-stage process for point cloud part editing: Segmentation, Generation, Assembly, and Selection. Based on this process, we introduce SGAS, a model for part editing that employs two strategies: feature disentanglement and constraint. By independently fitting part-level feature distributions, we realize the feature disentanglement. By explicitly modeling the transformation from object-level distribution to part-level distributions, we realize the feature constraint. Considerable experiments on different datasets demonstrate the efficiency and effectiveness of SGAS on point cloud part editing. In addition, SGAS can be pruned to realize unsupervised part-aware point cloud generation and achieves state-of-the-art results.
Abstract（参考訳）: 理想的な部分編集は、編集された部分の多様性、残りの部分への忠実さ、結果の品質を保証するべきである。しかし、従来の方法では各部分を完全に切り離すことはできないため、編集された部分が他の部分に影響を与えるため、多様性や忠実度は低下する。さらに、いくつかのメソッドは、品質を保証するために編集結果の手動選択を必要とする部分間の制約を欠いている。そこで我々は,ポイントクラウド部分編集のための4段階プロセス,セグメンテーション,ジェネレーション,アセンブリ,セレクションを提案する。このプロセスに基づいて,機能障害と制約という2つの戦略を利用する部分編集モデルであるSGASを紹介する。部分レベルの特徴分布を独立に適合させることで,特徴分散を実現する。オブジェクトレベルの分布から部分レベルの分布への変換を明示的にモデル化することにより,特徴制約を実現する。異なるデータセットに関する考慮すべき実験は、ポイントクラウド部分編集におけるSGASの有効性と有効性を示している。さらに、SGASをプルーニングして、教師なしの部分認識ポイントクラウド生成を実現し、最先端の結果を得ることができる。

関連論文リスト

GraCo: Granularity-Controllable Interactive Segmentation [52.9695642626127]
Granularity-Controllable Interactive (GraCo) は、入力に追加パラメータを導入することによって、予測粒度の正確な制御を可能にする新しいアプローチである。 GraCoは、事前訓練されたISモデルのセマンティック特性を利用して、豊富なマスクとグラニュラリティのペアを自動的に生成する。オブジェクトと部分レベルの複雑なシナリオの実験は、GraCoが以前の方法よりも大きな利点があることを示しています。
論文参考訳（メタデータ） (2024-05-01T15:50:16Z)
OV-PARTS: Towards Open-Vocabulary Part Segmentation [31.136262413989858]
多様な物体の部分の分割と認識は、様々なコンピュータビジョンやロボットタスクにまたがるアプリケーションにおいて重要な能力である。本稿では,これらの課題を調査・解決するためのOpen-Vocabulary Part (OV-PARTS)ベンチマークを提案する。 OV-PARTSには、Pascal-Part-116とADE20K--234という2つの公開データセットの洗練されたバージョンが含まれている。さらに、Generalized Zero-Shot Partアナログ、Cross-Dataset Part、Few-Shot Partという3つの特定のタスクもカバーしている。
論文参考訳（メタデータ） (2023-10-08T10:28:42Z)
DiffFacto: Controllable Part-Based 3D Point Cloud Generation with Cross Diffusion [68.39543754708124]
DiffFactoは,部品レベルの制御で形状の分布を学習する新しい確率的生成モデルである。実験により,複数の制御軸を持つ新しい形状を生成可能であることが示された。最先端のパートレベルの生成品質を実現し、可塑性かつコヒーレントな形状を生成する。
論文参考訳（メタデータ） (2023-05-03T06:38:35Z)
Part-guided Relational Transformers for Fine-grained Visual Recognition [59.20531172172135]
識別的特徴を学習し,特徴変換モジュールとの相関関係を探索するフレームワークを提案する。提案手法は,3-of-the-levelオブジェクト認識において,部分ブランチの追加に頼らず,最先端の性能に達する。
論文参考訳（メタデータ） (2022-12-28T03:45:56Z)
Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
論文参考訳（メタデータ） (2022-08-22T09:07:02Z)
SPA-VAE: Similar-Parts-Assignment for Unsupervised 3D Point Cloud Generation [19.801819746168594]
SPA-VAEは任意の対象に対して潜在正準候補形状を推測する。例えば表の各脚は一つの脚のプロトタイプを推定するために効果的に結合されている
論文参考訳（メタデータ） (2022-03-15T12:26:32Z)
GaitStrip: Gait Recognition via Effective Strip-based Feature Representations and Multi-Level Framework [34.397404430838286]
本稿では,様々なレベルの歩行情報を抽出するために,GaitStripという名前のストリップベースマルチレベル歩行認識ネットワークを提案する。具体的には、私たちの高レベルブランチは歩行シーケンスのコンテキストを探求し、低レベルブランチは詳細な姿勢変化に焦点を当てています。我々のGaitStripは、通常の歩行条件と複雑な歩行条件の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2022-03-08T09:49:48Z)
Quality-aware Part Models for Occluded Person Re-identification [77.24920810798505]
咬合は人体再識別(ReID)にとって大きな課題となる既存のアプローチは一般的に、計算効率とReIDの精度の両面で最適であるように、目に見える身体の部品を推測するための外部ツールに依存している。閉塞型ReIDのためのQPM(Quality-Aware Part Models)という新しい手法を提案する。
論文参考訳（メタデータ） (2022-01-01T03:51:09Z)
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)
LPMNet: Latent Part Modification and Generation for 3D Point Clouds [3.04585143845864]
本稿では,意味的部分と大域的形状の両方の生成と修正を処理できる単一エンドツーエンドオートエンコーダモデルを提案する。提案手法は,3次元点雲モデル間の部分交換と異なる部分による合成をサポートし,遅延表現を直接編集して新しいモデルを生成する。
論文参考訳（メタデータ） (2020-08-08T17:24:37Z)
Learning to Manipulate Individual Objects in an Image [71.55005356240761]
本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
論文参考訳（メタデータ） (2020-04-11T21:50:20Z)

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。