論文の概要: Shape Non-rigid Kinematics (SNK): A Zero-Shot Method for Non-Rigid Shape Matching via Unsupervised Functional Map Regularized Reconstruction

• arxiv url: http://arxiv.org/abs/2403.06804v1
• Date: Mon, 11 Mar 2024 15:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 18:32:52.921044
• Title: Shape Non-rigid Kinematics (SNK): A Zero-Shot Method for Non-Rigid Shape Matching via Unsupervised Functional Map Regularized Reconstruction
• Title（参考訳）: shape non-rigid kinematics (snk): 教師なし機能マップ正規化による非剛性形状マッチングのためのゼロショット法
• Authors: Souhaib Attaiki, Maks Ovsjanikov
• Abstract要約: 非剛体形状マッチングの新しいゼロショット法であるShape Non-rigid Kinematics (SNK)を提案する。 SNKはエンコーダ・デコーダアーキテクチャを用いて再構成ベースの戦略を採用しており、ソース形状を変形させてターゲット形状と密に一致させる。 SNKは従来のベンチマークで競合する結果を示し、精度を損なうことなく形状マッチングプロセスを単純化する。
• 参考スコア（独自算出の注目度）: 39.54038349084084
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present Shape Non-rigid Kinematics (SNK), a novel zero-shot method for non-rigid shape matching that eliminates the need for extensive training or ground truth data. SNK operates on a single pair of shapes, and employs a reconstruction-based strategy using an encoder-decoder architecture, which deforms the source shape to closely match the target shape. During the process, an unsupervised functional map is predicted and converted into a point-to-point map, serving as a supervisory mechanism for the reconstruction. To aid in training, we have designed a new decoder architecture that generates smooth, realistic deformations. SNK demonstrates competitive results on traditional benchmarks, simplifying the shape-matching process without compromising accuracy. Our code can be found online: https://github.com/pvnieo/SNK
• Abstract（参考訳）: 本研究では,非剛体形状マッチングのための新しいゼロショット法であるShape Non-rigid Kinematics (SNK)を提案する。 SNKは1対の形状で動作し、エンコーダ・デコーダアーキテクチャを用いて再構成ベースの戦略を採用している。 この過程で、教師なし機能マップが予測され、ポイントツーポイントマップに変換され、再構築の監督機構となる。 トレーニングを支援するために,スムーズでリアルな変形を生成する新しいデコーダアーキテクチャを設計した。 SNKは従来のベンチマークで競合する結果を示し、精度を損なうことなく形状マッチングプロセスを単純化する。 私たちのコードはオンラインで見ることができる。 https://github.com/pvnieo/SNK

関連論文リスト

• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• Implicit Shape Completion via Adversarial Shape Priors [46.48590354256945]
  部分点雲の完全化のためのニューラル暗黙的形状法を提案する。 条件付きDeep-SDFアーキテクチャと学習済みの逆形状の事前処理を組み合わせる。 我々はPointNet++識別器を訓練し、生成元が可塑性で一貫した再構成を生成することを示唆する。
  論文  参考訳（メタデータ） (2022-04-21T12:49:59Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• DPC: Unsupervised Deep Point Correspondence via Cross and Self Construction [29.191330510706408]
  本稿では, 形状構造に基づく点雲間のリアルタイム非剛性密度対応法を提案する。 提案手法はディープポイント対応 (DPC) と呼ばれ, 従来の手法と比較してトレーニングデータのごく一部を必要とする。 提案手法は,最近の最先端対応手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2021-10-16T18:41:13Z)
• Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
  本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。 我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
  論文  参考訳（メタデータ） (2021-10-06T18:09:13Z)
• Learning 3D Dense Correspondence via Canonical Point Autoencoder [108.20735652143787]
  同一カテゴリの3次元形状間の密接な対応を予測できる標準点オートエンコーダ(CPAE)を提案する。 オートエンコーダは、2つの重要な機能を実行する: (a) 任意に順序付けられた点雲を標準プリミティブに符号化し、 (b) プリミティブを元の入力インスタンス形状に復号する。
  論文  参考訳（メタデータ） (2021-07-10T15:54:48Z)
• DiGS : Divergence guided shape implicit neural representation for unoriented point clouds [36.60407995156801]
  形状暗黙的神経表現(INR)は近年,形状解析や再構成作業に有効であることが示されている。 本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T02:10:03Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。