論文の概要: 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach

• arxiv url: http://arxiv.org/abs/2401.10578v1
• Date: Fri, 19 Jan 2024 09:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 16:18:55.282843
• Title: 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach
• Title（参考訳）: 見えないカテゴリの3次元形状補完:弱教師付きアプローチ
• Authors: Lintai Wu, Junhui Hou, Linqi Song, and Yong Xu
• Abstract要約: 未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
• 参考スコア（独自算出の注目度）: 61.76304400106871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D shapes captured by scanning devices are often incomplete due to occlusion. 3D shape completion methods have been explored to tackle this limitation. However, most of these methods are only trained and tested on a subset of categories, resulting in poor generalization to unseen categories. In this paper, we introduce a novel weakly-supervised framework to reconstruct the complete shapes from unseen categories. We first propose an end-to-end prior-assisted shape learning network that leverages data from the seen categories to infer a coarse shape. Specifically, we construct a prior bank consisting of representative shapes from the seen categories. Then, we design a multi-scale pattern correlation module for learning the complete shape of the input by analyzing the correlation between local patterns within the input and the priors at various scales. In addition, we propose a self-supervised shape refinement model to further refine the coarse shape. Considering the shape variability of 3D objects across categories, we construct a category-specific prior bank to facilitate shape refinement. Then, we devise a voxel-based partial matching loss and leverage the partial scans to drive the refinement process. Extensive experimental results show that our approach is superior to state-of-the-art methods by a large margin.
• Abstract（参考訳）: スキャン装置が捉えた3d形状は、しばしば閉塞のために不完全である。 この限界に対処するために3次元形状補完法が検討されている。 しかし、これらの手法のほとんどは、カテゴリのサブセット上でのみ訓練され、テストされ、その結果、見当たらないカテゴリへの一般化が不十分になる。 本稿では,未知のカテゴリから完全形状を再構築する新しい弱教師付き枠組みを提案する。 まず,既往のカテゴリからのデータを活用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 具体的には,出現するカテゴリの代表的な形状からなる先行バンクを構築する。 そして,入力内の局所パターンと先行パターンの相関関係を様々なスケールで解析することにより,入力の完全な形状を学習する多スケールパターン相関モジュールを設計する。 さらに, 粗い形状をさらに洗練するための自己教師あり形状改善モデルを提案する。 カテゴリごとの3次元物体の形状変化を考慮し, 形状改善を容易にするために, カテゴリ固有の先行バンクを構築する。 次に, ボクセルによる部分的マッチング損失を考案し, 部分的スキャンを活用し, 精製過程を推し進める。 広範な実験結果から,我々のアプローチは最先端の手法よりも大きなマージンで優れていることがわかった。

関連論文リスト

• Beyond Complete Shapes: A quantitative Evaluation of 3D Shape Matching Algorithms [41.95394677818476]
  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、グラフィックスなどにおいて重要な問題である。 我々は、挑戦的な部分的な形状マッチングシナリオの手続き生成のための汎用的で柔軟なフレームワークを提供する。 手動で7つの既存の(完全な幾何学)形状マッチングデータセット間のクロスデータセット対応を作成し、合計2543個の形状を生成する。
  論文  参考訳（メタデータ） (2024-11-05T21:08:19Z)
• Diffusion-Driven Self-Supervised Learning for Shape Reconstruction and Pose Estimation [26.982199143972835]
  本稿では,多目的形状再構成とカテゴリー的ポーズ推定のための拡散駆動型自己教師ネットワークを提案する。 提案手法は,最先端の自己監督型カテゴリレベルのベースラインを著しく上回り,完全教師型インスタンスレベルのメソッドやカテゴリレベルのメソッドをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-03-19T13:43:27Z)
• 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)
• 3D Textured Shape Recovery with Learned Geometric Priors [58.27543892680264]
  本技術報告では,学習した幾何学的先入観を取り入れて,限界に対処するアプローチを提案する。 我々は、学習したポーズ予測からSMPLモデルを生成し、それを部分的な入力に融合させ、人体の事前知識を追加する。 また、異なるレベルのスケールを扱うために、新しい完全性を考慮したバウンディングボックス適応を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:03:35Z)
• PatchComplete: Learning Multi-Resolution Patch Priors for 3D Shape Completion on Unseen Categories [24.724113526984]
  PatchCompleteは,マルチレゾリューションローカルパッチに基づいて,有効形状の事前学習を行う。 このようなパッチベースのプリエントは、特定の列車カテゴリへの過度な適合を回避し、テスト時に全く見えないカテゴリの再構築を可能にする。 合成シェープネットデータに対する本手法の有効性と,ScanNetによる実スキャン対象への挑戦について述べる。
  論文  参考訳（メタデータ） (2022-06-10T07:34:10Z)
• Multi-Category Mesh Reconstruction From Image Collections [90.24365811344987]
  本稿では, 一連の変形可能な3次元モデルとインスタンス固有の変形, ポーズ, テクスチャのセットを組み合わせた, オブジェクトのテクスチャメッシュを推定する手法を提案する。 本手法は,前景マスクと粗いカメラポーズのみを監督として,複数の対象カテゴリの画像を用いて訓練する。 実験により,提案フレームワークは異なる対象カテゴリを区別し,教師なしの方法でカテゴリ固有の形状を学習できることが示唆された。
  論文  参考訳（メタデータ） (2021-10-21T16:32:31Z)
• Representing Shape Collections with Alignment-Aware Linear Models [17.635846912560627]
  3次元点雲の古典的表現を線形形状モデルとして再考する。 私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
  論文  参考訳（メタデータ） (2021-09-03T16:28:34Z)
• 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)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。