Fugu-MT 論文翻訳(概要): Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks

論文の概要: Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks

arxiv url: http://arxiv.org/abs/2405.15059v2
Date: Thu, 26 Sep 2024 15:53:10 GMT
ステータス: 処理完了
システム内更新日: 2024-11-09 02:18:45.892446
Title: Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks
Title（参考訳）: メッセージパッシングモンテカルロ:グラフニューラルネットワークによる低差分点集合の生成
Authors: T. Konstantin Rusch, Nathan Kirk, Michael M. Bronstein, Christiane Lemieux, Daniela Rus,
Abstract要約: 本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
参考スコア（独自算出の注目度）: 64.39488944424095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discrepancy is a well-known measure for the irregularity of the distribution of a point set. Point sets with small discrepancy are called low-discrepancy and are known to efficiently fill the space in a uniform manner. Low-discrepancy points play a central role in many problems in science and engineering, including numerical integration, computer vision, machine perception, computer graphics, machine learning, and simulation. In this work, we present the first machine learning approach to generate a new class of low-discrepancy point sets named Message-Passing Monte Carlo (MPMC) points. Motivated by the geometric nature of generating low-discrepancy point sets, we leverage tools from Geometric Deep Learning and base our model on Graph Neural Networks. We further provide an extension of our framework to higher dimensions, which flexibly allows the generation of custom-made points that emphasize the uniformity in specific dimensions that are primarily important for the particular problem at hand. Finally, we demonstrate that our proposed model achieves state-of-the-art performance superior to previous methods by a significant margin. In fact, MPMC points are empirically shown to be either optimal or near-optimal with respect to the discrepancy for low dimension and small number of points, i.e., for which the optimal discrepancy can be determined. Code for generating MPMC points can be found at https://github.com/tk-rusch/MPMC.
Abstract（参考訳）: 離散性は点集合の分布の不規則性に対するよく知られた測度である。差分が小さい点集合は低差分集合と呼ばれ、一様に空間を効率よく満たすことが知られている。低差点は、数値積分、コンピュータビジョン、機械認識、コンピュータグラフィックス、機械学習、シミュレーションなど、科学と工学における多くの問題において中心的な役割を果たす。本研究では,Message-Passing Monte Carlo (MPMC) という低差点集合を新たに生成する機械学習手法を提案する。低差分点集合を生成する幾何学的性質により、Geometric Deep Learningのツールを活用し、グラフニューラルネットワークに基づくモデルを構築する。さらに、より高次元へのフレームワークの拡張も提供し、手元にある特定の問題に特に重要な特定の次元の均一性を強調するカスタムメイドポイントの生成を柔軟に可能にします。最後に,提案手法が従来の手法よりも性能的に優れていることを示す。実際、MPMCの点は、低次元と少数の点の相違、すなわち最適な相違が決定できる点に関して、経験的に最適かほぼ最適であることが示される。 MPMCポイントを生成するコードはhttps://github.com/tk-rusch/MPMCにある。

関連論文リスト

SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文参考訳（メタデータ） (2024-09-30T17:59:03Z)
MeshFeat: Multi-Resolution Features for Neural Fields on Meshes [38.93284476165776]
パラメトリック特徴格子符号化は、ニューラルネットワークの符号化手法として注目されている。 Euclidean空間のマルチレゾリューション機能グリッドの考え方を適応させるために,メッシュ用に調整されたパラメトリック機能であるMeshFeatを提案する。テクスチャ再構築とBRDF表現に匹敵する再現品質を維持しつつ, 従来の表現と比較して, 大幅な高速化を示した。
論文参考訳（メタデータ） (2024-07-18T15:29:48Z)
Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis [59.12922158979068]
近年,ポイントクラウド解析において高い性能を示す手法が提案されている。単純なアーキテクチャは局所的な点群で幾何学的特徴を学ぶことができるが、長距離依存を直接モデル化することができない。本稿では,表現能力の強い長距離関係を捉えるために,PDNet(Point Deformable Network)を提案する。
論文参考訳（メタデータ） (2023-12-20T14:52:07Z)
Learning topological operations on meshes with application to block decomposition of polygons [0.0]
非構造および四角形メッシュ上でのメッシュ品質改善のための学習ベースのフレームワークを提案する。本モデルは,事前学習を伴わない自己再生強化学習により,所定の目的関数に従ってメッシュ品質を向上させることを学習する。
論文参考訳（メタデータ） (2023-09-12T18:00:27Z)
The Decimation Scheme for Symmetric Matrix Factorization [0.0]
行列分解(Matrix factorization)は、その広範囲な応用により重要になった推論問題である。我々はこの広範囲なランク問題について研究し、最近導入した代替の「決定」手順を拡張した。本稿では,デシメーションを実装し,行列分解を行う基底状態探索に基づく簡単なアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-07-31T10:53:45Z)
GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation [31.40738037512243]
本研究では,非構造3次元点雲の高精度かつ効率的な正規推定法を提案する。我々は、より局所的な近傍幾何学を強調する正規推定のためのグラフ畳み込み特徴表現を学習する。提案手法は,様々なベンチマークデータセットにおいて,最先端の精度で競合より優れる。
論文参考訳（メタデータ） (2022-07-23T10:29:26Z)
Rethinking Network Design and Local Geometry in Point Cloud: A Simple Residual MLP Framework [55.40001810884942]
我々は、洗練された局所幾何学的抽出器を組み込んだ純粋な残留ネットワークPointMLPを導入するが、それでも非常に競争力がある。実世界のScanObjectNNデータセットでは,従来のベストメソッドを3.3%の精度で上回ります。最新のCurveNetと比較して、PointMLPは2倍速く、テストは7倍速く、ModelNet40ベンチマークではより正確である。
論文参考訳（メタデータ） (2022-02-15T01:39:07Z)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
論文参考訳（メタデータ） (2021-03-28T03:46:41Z)
PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
論文参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。