論文の概要: Deep MSFOP: Multiple Spectral filter Operators Preservation in Deep
Functional Maps for Unsupervised Shape Matching
- arxiv url: http://arxiv.org/abs/2402.03904v1
- Date: Tue, 6 Feb 2024 11:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 15:20:08.940549
- Title: Deep MSFOP: Multiple Spectral filter Operators Preservation in Deep
Functional Maps for Unsupervised Shape Matching
- Title(参考訳): Deep MSFOP: 教師なし形状マッチングのための深部関数写像における多重スペクトルフィルタ演算子保存
- Authors: Feifan Luo, Qingsong Li, Ling Hu, Xinru Liu, Haojun Xu, Haibo Wang,
Ting Li, Shengjun Liu
- Abstract要約: 本稿では,多スペクトルフィルタ演算子保存(MSFOR)と呼ばれる新しい制約を提案し,関数写像を演算する。
次に、形状マッチングのためのDeep MSFOPと呼ばれる効率的な深層関数型マップアーキテクチャを開発する。
- 参考スコア(独自算出の注目度): 9.063604649358513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel constraint called Multiple Spectral filter Operators
Preservation (MSFOR) to compute functional maps and based on it, develop an
efficient deep functional map architecture called Deep MSFOP for shape
matching. The core idea is that, instead of using the general descriptor
preservation constraint, we require our maps to preserve multiple spectral
filter operators. This allows us to incorporate more informative geometrical
information, contained in different frequency bands of functions, into the
functional map computing. This can be confirmed by that some previous
techniques like wavelet preservation and LBO commutativity are actually our
special cases. Moreover, we also develop a very efficient way to compute the
maps with MSFOP constraint, which can be conveniently embedded into the deep
learning, especially having learnable filter operators. Utilizing the above
results, we finally design our Deep MSFOP pipeline, equipped with a suitable
unsupervised loss jointly penalizing the functional map and the underlying
pointwise map. Our deep functional map has notable advantages, including that
the functional map is more geometrically informative and guaranteed to be
proper, and the computing is numerically stable. Extensive experimental results
on different datasets demonstrate that our approach outperforms the existing
state-of-the-art methods, especially in challenging settings like non-isometric
and inconsistent topology datasets.
- Abstract(参考訳): 本稿では,多スペクトルフィルタ演算子保存法 (MSFOR) という新しい制約を提案し,それに基づいて,形状マッチングのためのDeep MSFOPと呼ばれる効率的な深部関数写像アーキテクチャを開発した。
基本的な考え方は、一般的なディスクリプタ保存制約を使う代わりに、複数のスペクトルフィルタ演算子を保存するためにマップが必要です。
これにより、関数の周波数帯に含まれるより情報的な幾何情報を関数マップ計算に組み込むことができる。
これは、ウェーブレット保存やlbo可換性といった以前の技術が、私たちの特別なケースであることを保証することができる。
さらに,MSFOP制約を用いた地図の効率的な計算方法も開発しており,特に学習可能なフィルタ演算子を持つ深層学習に便利に組み込むことができる。
以上の結果を利用して,機能地図と基本点マップを併用した,適切な教師なし損失を伴って,Deep MSFOPパイプラインを設計した。
私たちの深い関数マップは、関数マップがより幾何学的に有益で、適切であることが保証され、計算は数値的に安定であるなど、顕著な利点があります。
異なるデータセット上での広範な実験結果から,本手法は既存の最先端手法よりも優れており,特に非等長性や一貫性のないトポロジーデータセットのような困難な設定において優れていることが示された。
関連論文リスト
- Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity
Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。
ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文 参考訳(メタデータ) (2024-01-06T12:32:25Z) - Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
非剛性3次元形状マッチングのための教師なし学習手法を提案する。
提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2023-10-17T17:28:03Z) - Spatially and Spectrally Consistent Deep Functional Maps [26.203493922746546]
サイクル一貫性は、長い間、形状の集合内の地図を共同最適化するための強力な先駆体として利用されてきた。
本稿では,非剛形形状マッチングにおける最先端技術と考えられるDeep Functional Mapsのアプローチにおける有用性について検討する。
本稿では,教師なしの深部関数写像の設計について述べる。これはスペクトルと点表現の下で学習された地図の調和を効果的に実施する。
論文 参考訳(メタデータ) (2023-08-17T09:04:44Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳(メタデータ) (2023-04-27T02:12:47Z) - Understanding and Improving Features Learned in Deep Functional Maps [31.61255365182462]
より深い関数型マップアプローチで学習した特徴は、異なる形状のポイントワイド記述子として利用できることを示す。
本稿では,学習特徴の構造的特性を促進するため,標準的な深部関数型マップパイプラインを効果的に修正することを提案する。
論文 参考訳(メタデータ) (2023-03-29T08:32:16Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳(メタデータ) (2022-06-17T09:40:14Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳(メタデータ) (2021-11-25T02:37:59Z) - Efficient Depth Completion Using Learned Bases [94.0808155168311]
深度補正のための新しい大域的幾何制約を提案する。
低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
論文 参考訳(メタデータ) (2020-12-02T11:57:37Z) - Weakly Supervised Deep Functional Map for Shape Matching [35.58521417084282]
損失関数の異なるアート結果の状態を,教師なしだけでなく教師なしでも得るための,経験的に最小限の要素を提示する。
そこで本研究では,複数のベンチマークデータセット上で得られた技術結果に適合する,フル・ツー・フルと部分的・フルな形状の両方を設計した新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T14:06:46Z) - Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。
我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。
特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
論文 参考訳(メタデータ) (2020-03-17T03:52:17Z) - Differentiable Top-k Operator with Optimal Transport [135.36099648554054]
SOFTトップk演算子は、エントロピック最適輸送(EOT)問題の解として、トップk演算の出力を近似する。
提案した演算子をk-アネレスト近傍およびビーム探索アルゴリズムに適用し,性能向上を示す。
論文 参考訳(メタデータ) (2020-02-16T04:57:52Z)
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。