Fugu-MT 論文翻訳(概要): Self-Supervised Dual Contouring

論文の概要: Self-Supervised Dual Contouring

arxiv url: http://arxiv.org/abs/2405.18131v1
Date: Tue, 28 May 2024 12:44:28 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 18:39:08.015291
Title: Self-Supervised Dual Contouring
Title（参考訳）: 自己監督型デュアルコントゥーリング
Authors: Ramana Sundararaman, Roman Klokov, Maks Ovsjanikov,
Abstract要約: 本稿ではニューラルデュアルコンチューリングメッシュフレームワークのための自己教師型トレーニングスキームを提案する。生成メッシュ間の距離の整合性を促進する2つの新しい自己教師付き損失関数を用いる。単視点再構成作業における自己監督的損失によりメッシュ性能が向上することが実証された。
参考スコア（独自算出の注目度）: 30.9409064656302
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning-based isosurface extraction methods have recently emerged as a robust and efficient alternative to axiomatic techniques. However, the vast majority of such approaches rely on supervised training with axiomatically computed ground truths, thus potentially inheriting biases and data artifacts of the corresponding axiomatic methods. Steering away from such dependencies, we propose a self-supervised training scheme for the Neural Dual Contouring meshing framework, resulting in our method: Self-Supervised Dual Contouring (SDC). Instead of optimizing predicted mesh vertices with supervised training, we use two novel self-supervised loss functions that encourage the consistency between distances to the generated mesh up to the first order. Meshes reconstructed by SDC surpass existing data-driven methods in capturing intricate details while being more robust to possible irregularities in the input. Furthermore, we use the same self-supervised training objective linking inferred mesh and input SDF, to regularize the training process of Deep Implicit Networks (DINs). We demonstrate that the resulting DINs produce higher-quality implicit functions, ultimately leading to more accurate and detail-preserving surfaces compared to prior baselines for different input modalities. Finally, we demonstrate that our self-supervised losses improve meshing performance in the single-view reconstruction task by enabling joint training of predicted SDF and resulting output mesh. We open-source our code at https://github.com/Sentient07/SDC
Abstract（参考訳）: 学習に基づく等地抽出法は、最近、公理的手法の頑健で効率的な代替手段として出現している。しかし、そのようなアプローチの大多数は、公理的に計算された基底真理による教師あり訓練に依存しており、それによって対応する公理的手法のバイアスやデータアーティファクトを継承する可能性がある。このような依存関係を回避して,ニューラルデュアルコンチューリングメッシュフレームワークのための自己教師型トレーニングスキームを提案し,その結果,SDC(Self Supervised Dual Contouring)という手法が得られた。予測メッシュ頂点を教師付きトレーニングで最適化する代わりに、2つの新しい自己教師付き損失関数を使用して、生成されたメッシュ間の距離を1階まで調整する。 SDCによって再構成されたメッシュは、入力の不規則性に対してより堅牢でありながら、複雑な詳細をキャプチャする既存のデータ駆動手法を超越している。さらに,推定メッシュと入力SDFをリンクする自己教師型学習目標を用いて,Deep Implicit Networks (DINs) のトレーニングプロセスを標準化する。得られたDINが高次暗黙関数を生成することを実証し、最終的に異なる入力モダリティに対する以前のベースラインと比較して、より正確で詳細な保存面が得られることを示した。最後に、予測されたSDFと出力メッシュの協調訓練を行うことにより、単視点再構築作業における自己監督的損失がメッシュ性能を向上させることを示す。私たちは、https://github.com/Sentient07/SDCでコードをオープンソース化しました。

関連論文リスト

DANCE: Dual-View Distribution Alignment for Dataset Condensation [39.08022095906364]
我々は、データセットのコンディエンテーション(DANCE)のためのDMベースの新しいDual-view Distribution AligNmentを提案する。具体的には、内部クラスの観点から複数の「中間エンコーダ」を構築し、擬似的な長期分布アライメントを行う。クラス間の観点からは,分布キャリブレーションを行うために専門家モデルを用いる。
論文参考訳（メタデータ） (2024-06-03T07:22:17Z)
Towards Faithful Explanations for Text Classification with Robustness Improvement and Explanation Guided Training [30.626080706755822]
特徴属性法は、重要な入力トークンをモデル予測の説明として強調する。近年の研究では、これらの手法による説明は、忠実で堅牢であるという課題に直面している。本稿では,テキスト分類のためのロバスト性向上と説明指導による,より忠実な説明(REGEX)への指導手法を提案する。
論文参考訳（メタデータ） (2023-12-29T13:07:07Z)
Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文参考訳（メタデータ） (2023-05-24T17:26:22Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-13T15:39:43Z)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
論文参考訳（メタデータ） (2021-11-11T15:15:11Z)
Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-10-28T22:24:07Z)

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。