論文の概要: Geometry-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14009v2
- Date: Mon, 27 May 2024 16:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 07:15:18.642924
- Title: Geometry-Informed Neural Networks
- Title（参考訳）: 幾何インフォームドニューラルネットワーク
- Authors: Arturs Berzins, Andreas Radler, Sebastian Sanokowski, Sepp Hochreiter, Johannes Brandstetter,
- Abstract要約: 形状生成モデルのトレーニングを行うために,形状インフォームドニューラルネットワーク(GINN)を導入する。
GINNは(i)制約下での学習、(ii)ニューラルネットワークを適切な表現として、(iii)未決定問題に対する多様な解を生成する。
- 参考スコア（独自算出の注目度）: 16.03834563833674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometry is a ubiquitous language of computer graphics, design, and engineering. However, the lack of large shape datasets limits the application of state-of-the-art supervised learning methods and motivates the exploration of alternative learning strategies. To this end, we introduce geometry-informed neural networks (GINNs) to train shape generative models \emph{without any data}. GINNs combine (i) learning under constraints, (ii) neural fields as a suitable representation, and (iii) generating diverse solutions to under-determined problems. We apply GINNs to several two and three-dimensional problems of increasing levels of complexity. Our results demonstrate the feasibility of training shape generative models in a data-free setting. This new paradigm opens several exciting research directions, expanding the application of generative models into domains where data is sparse.
- Abstract（参考訳）: 幾何学はコンピュータグラフィックス、デザイン、エンジニアリングのユビキタス言語である。
しかし,大規模データセットの欠如は,最先端の教師あり学習手法の適用を制限し,代替学習戦略の探索を動機付けている。
この目的のために、形状生成モデル \emph{without any data} をトレーニングするために、幾何インフォームドニューラルネットワーク(GINN)を導入する。
GINN が組み合わさって
(i)制約下での学習
二 好適な表現としての神経場、及び
三 未決定問題に対する多様な解を生成すること。
複雑度を増大させる2次元および3次元問題にGINNを適用する。
本研究は,データフリー環境での形状生成モデルのトレーニングの実現可能性を示すものである。
この新しいパラダイムは、データが少ない領域に生成モデルの適用を広げ、いくつかのエキサイティングな研究方向を開く。
関連論文リスト
- Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - Reference Neural Operators: Learning the Smooth Dependence of Solutions of PDEs on Geometric Deformations [13.208548352092455]
任意の形状の領域上の偏微分方程式に対して、ニューラル作用素の既存の研究は、幾何学から解への写像を学ぼうとする。
本稿では、幾何学的変形に対する解の滑らかな依存を学習するために、参照ニューラル演算子(RNO)を提案する。
RNOはベースラインモデルの精度を大きなリードで上回り、最大80%のエラー低減を達成する。
論文 参考訳（メタデータ） (2024-05-27T06:50:17Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - MMGP: a Mesh Morphing Gaussian Process-based machine learning method for
regression of physical problems under non-parameterized geometrical
variability [0.30693357740321775]
本稿では,グラフニューラルネットワークに依存しない機械学習手法を提案する。
提案手法は, 明示的な形状パラメータ化を必要とせずに, 大きなメッシュを容易に扱うことができる。
論文 参考訳（メタデータ） (2023-05-22T09:50:15Z) - Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。
提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。
実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-04-08T06:35:25Z) - Topology optimization with physics-informed neural networks: application
to noninvasive detection of hidden geometries [0.40611352512781856]
本稿では,隠れた幾何学構造を検出するためのPINNに基づくトポロジ最適化フレームワークを提案する。
非線形弾性体および非線形弾性体における隠れヴォイドおよび包有物の数,位置,形状を検出することにより,我々の枠組みを検証した。
論文 参考訳（メタデータ） (2023-03-13T12:44:32Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - 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) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳（メタデータ） (2020-08-18T06:33:40Z)
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。