論文の概要: Scalable Geometric Fracture Assembly via Co-creation Space among Assemblers

• arxiv url: http://arxiv.org/abs/2312.12340v4
• Date: Mon, 15 Jan 2024 04:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 23:57:16.713143
• Title: Scalable Geometric Fracture Assembly via Co-creation Space among Assemblers
• Title（参考訳）: アセンブラ間の共生成空間によるスケーラブルなフラクチャーアセンブリ
• Authors: Ruiyuan Zhang and Jiaxiang Liu and Zexi Li and Hao Dong and Jie Fu and Chao Wu
• Abstract要約: 我々は,意味情報に頼らずに,幾何学的フラクチャーアセンブリのためのスケーラブルなフレームワークを開発した。 本稿では, フラクチャー・アセンブリ・プロセスにおける衝突問題に対処するために, 新たな損失関数,すなわち幾何に基づく衝突損失を導入する。 私たちのフレームワークは、既存の最先端フレームワークと比較して、PartNetとBreaking Badデータセットの両方でパフォーマンスが向上しています。
• 参考スコア（独自算出の注目度）: 24.89380678499307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometric fracture assembly presents a challenging practical task in archaeology and 3D computer vision. Previous methods have focused solely on assembling fragments based on semantic information, which has limited the quantity of objects that can be effectively assembled. Therefore, there is a need to develop a scalable framework for geometric fracture assembly without relying on semantic information. To improve the effectiveness of assembling geometric fractures without semantic information, we propose a co-creation space comprising several assemblers capable of gradually and unambiguously assembling fractures. Additionally, we introduce a novel loss function, i.e., the geometric-based collision loss, to address collision issues during the fracture assembly process and enhance the results. Our framework exhibits better performance on both PartNet and Breaking Bad datasets compared to existing state-of-the-art frameworks. Extensive experiments and quantitative comparisons demonstrate the effectiveness of our proposed framework, which features linear computational complexity, enhanced abstraction, and improved generalization. Our code is publicly available at https://github.com/Ruiyuan-Zhang/CCS.
• Abstract（参考訳）: 幾何学的破壊組立は考古学と3次元コンピュータビジョンにおいて挑戦的な実践課題である。 従来の手法では、意味情報に基づいたフラグメントの組み立てのみに重点を置いており、効果的に組み立てられるオブジェクトの量が制限されていた。 したがって, 意味情報に頼らずに, 幾何学的フラクチャーアセンブリのためのスケーラブルなフレームワークを開発する必要がある。 意味情報のない幾何的骨折を組み立てることの有効性を向上させるために, 徐々に, 曖昧に組み立てることのできる複数のアセンブラからなる共創空間を提案する。 さらに, フラクチャー組立過程における衝突問題に対処し, 結果を高めるために, 幾何に基づく衝突損失という新たな損失関数を導入する。 私たちのフレームワークは、既存の最先端フレームワークと比較して、partnetとbreaking bad datasetの両方で優れたパフォーマンスを示しています。 大規模実験と定量的比較により,線形計算複雑性,抽象化の強化,一般化の改善を特徴とするフレームワークの有効性が示された。 私たちのコードはhttps://github.com/ruiyuan-zhang/ccsで公開されています。

関連論文リスト

• 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
  Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。 PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。 我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
  論文  参考訳（メタデータ） (2024-07-15T08:50:02Z)
• Breaking Bad: A Dataset for Geometric Fracture and Reassembly [47.2247928468233]
  本稿では,破壊対象の大規模データセットであるBreaking Badを紹介する。 私たちのデータセットは、1万のベースモデルからシミュレートされた100万以上の破砕物で構成されています。
  論文  参考訳（メタデータ） (2022-10-20T17:57:19Z)
• 3D Part Assembly Generation with Instance Encoded Transformer [22.330218525999857]
  本稿では,部品間の幾何的および関係的な推論を伴い,部品の更新を反復的に行う多層トランスフォーマーベースのフレームワークを提案する。 フレームワークをプロセス内部分アセンブリと呼ばれる新しいタスクに拡張します。 提案手法は、パブリックなPartNetデータセット上の複数のメトリクスにおいて、現在の最先端よりも10%以上改善されている。
  論文  参考訳（メタデータ） (2022-07-05T02:40:57Z)
• Contextual Model Aggregation for Fast and Robust Federated Learning in Edge Computing [88.76112371510999]
  フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。 既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。 そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T21:42:31Z)
• Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
  自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。 対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。 本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
  論文  参考訳（メタデータ） (2021-11-11T17:59:42Z)
• RGL-NET: A Recurrent Graph Learning framework for Progressive Part Assembly [30.143946636770025]
  我々は、構造的不変量に対して堅牢なアセンブリのための一般化されたフレームワークを開発することの課題に取り組む。 我々のネットワークは、予め組み立てた部品を考慮に入れれば、形状構造のより妥当な予測を学べる。 我々の潜在空間は、ポイントクラウドコンポーネントからの形状回復のようなエキサイティングな応用を促進する。
  論文  参考訳（メタデータ） (2021-07-27T14:47:43Z)
• Unsupervised Part Segmentation through Disentangling Appearance and Shape [37.206922180245265]
  対象部品の非監視的発見とセグメンテーションの問題について検討する。 最近の教師なし手法は注釈付きデータへの依存を大いに緩和している。 対象部品の外観と形状の表現を両立させることにより,新しいアプローチを開発する。
  論文  参考訳（メタデータ） (2021-05-26T08:59:31Z)
• Image Co-skeletonization via Co-segmentation [102.59781674888657]
  我々は,新しい共同処理の話題である画像コスケルトン化を提案する。 単一の自然な画像におけるオブジェクトのスケルトン化は、オブジェクトに関する事前の知識がほとんどないため、難しい問題である。 本稿では,コ・スケルトン化とコ・セグメンテーション・タスクの結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-12T09:35:54Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。