論文の概要: E(3)-Equivariant Mesh Neural Networks

• arxiv url: http://arxiv.org/abs/2402.04821v1
• Date: Wed, 7 Feb 2024 13:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 15:27:45.471141
• Title: E(3)-Equivariant Mesh Neural Networks
• Title（参考訳）: e(3)同変メッシュニューラルネットワーク
• Authors: Thuan Trang, Nhat Khang Ngo, Daniel Levy, Thieu N. Vo, Siamak Ravanbakhsh, Truong Son Hy
• Abstract要約: 三角形メッシュは3次元オブジェクトを表現するために広く使われている。 近年の多くの研究は、3Dメッシュ上での幾何学的深層学習の必要性に対処している。 E(n)-同変グラフニューラルネットワーク(EGNN)の方程式を拡張し、メッシュフェイス情報を組み込む。 さらに、階層構造を通して長距離の相互作用を考慮し、さらに改善する。 結果として得られるアーキテクチャであるEquivariant Mesh Neural Network (EMNN)は、メッシュタスクにおいて、より複雑な同種メソッドよりも優れており、高速な実行時と高価な前処理がない。
• 参考スコア（独自算出の注目度）: 16.158762988735322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Triangular meshes are widely used to represent three-dimensional objects. As a result, many recent works have address the need for geometric deep learning on 3D mesh. However, we observe that the complexities in many of these architectures does not translate to practical performance, and simple deep models for geometric graphs are competitive in practice. Motivated by this observation, we minimally extend the update equations of E(n)-Equivariant Graph Neural Networks (EGNNs) (Satorras et al., 2021) to incorporate mesh face information, and further improve it to account for long-range interactions through hierarchy. The resulting architecture, Equivariant Mesh Neural Network (EMNN), outperforms other, more complicated equivariant methods on mesh tasks, with a fast run-time and no expensive pre-processing.
• Abstract（参考訳）: 三角形メッシュは3次元オブジェクトを表現するために広く使われている。 その結果、3Dメッシュ上での幾何学的深層学習の必要性に対処する研究が数多く行われている。 しかし、これらのアーキテクチャの多くにおける複雑さは実践的な性能には変換されず、幾何学グラフの単純な深部モデルが実際に競合する。 本研究では,E(n)-Equivariant Graph Neural Networks (EGNNs, Satorras et al., 2021) の更新方程式を最小限に拡張し,メッシュフェース情報を組み込むことにより,階層構造による長距離相互作用を考慮に入れた。 結果として得られるアーキテクチャであるEquivariant Mesh Neural Network (EMNN)は、メッシュタスクにおいて、より複雑な同種メソッドよりも優れており、高速な実行時と高価な前処理がない。

関連論文リスト

• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• An Efficient End-to-End 3D Model Reconstruction based on Neural Architecture Search [5.913946292597174]
  ニューラルアーキテクチャサーチ(NAS)とバイナリ分類を用いた効率的なモデル再構成手法を提案する。 本手法は,より少ないネットワークパラメータを用いて,再構成精度を著しく向上する。
  論文  参考訳（メタデータ） (2022-02-27T08:53:43Z)
• Laplacian2Mesh: Laplacian-Based Mesh Understanding [4.808061174740482]
  我々は3次元トライアングルメッシュのための新しいフレキシブル畳み込みニューラルネットワーク(CNN)モデルであるLaplacian2Meshを紹介した。 メッシュプーリングはラプラシアンの多空間変換によりネットワークの受容場を拡張するために適用される。 3Dメッシュに適用されたさまざまな学習タスクの実験は、Laplacian2Meshの有効性と効率を実証している。
  論文  参考訳（メタデータ） (2022-02-01T10:10:13Z)
• Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
  本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。 メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。 さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:16:49Z)
• E(n) Equivariant Graph Neural Networks [86.75170631724548]
  本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。 既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
  論文  参考訳（メタデータ） (2021-02-19T10:25:33Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• MeshWalker: Deep Mesh Understanding by Random Walks [19.594977587417247]
  コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。 本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。 提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-09T15:35:41Z)

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。