論文の概要: CoFie: Learning Compact Neural Surface Representations with Coordinate Fields

• arxiv url: http://arxiv.org/abs/2406.03417v1
• Date: Wed, 5 Jun 2024 16:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 17:02:29.861777
• Title: CoFie: Learning Compact Neural Surface Representations with Coordinate Fields
• Title（参考訳）: CoFie: コーディネートフィールドによるコンパクトなニューラルネットワーク表面表現の学習
• Authors: Hanwen Jiang, Haitao Yang, Georgios Pavlakos, Qixing Huang,
• Abstract要約: CoFie は局所 SDF の二次近似による理論的解析によって動機付けられる。 すべての局所形状の座標フレームの合成である座標場を導入する。 CoFieは、トレーニングと見えない形状の両方の新しい例で、形状エラーを48%、そして56%削減する。
• 参考スコア（独自算出の注目度）: 33.09928834250562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces CoFie, a novel local geometry-aware neural surface representation. CoFie is motivated by the theoretical analysis of local SDFs with quadratic approximation. We find that local shapes are highly compressive in an aligned coordinate frame defined by the normal and tangent directions of local shapes. Accordingly, we introduce Coordinate Field, which is a composition of coordinate frames of all local shapes. The Coordinate Field is optimizable and is used to transform the local shapes from the world coordinate frame to the aligned shape coordinate frame. It largely reduces the complexity of local shapes and benefits the learning of MLP-based implicit representations. Moreover, we introduce quadratic layers into the MLP to enhance expressiveness concerning local shape geometry. CoFie is a generalizable surface representation. It is trained on a curated set of 3D shapes and works on novel shape instances during testing. When using the same amount of parameters with prior works, CoFie reduces the shape error by 48% and 56% on novel instances of both training and unseen shape categories. Moreover, CoFie demonstrates comparable performance to prior works when using only 70% fewer parameters.
• Abstract（参考訳）: 本稿では,新しい局所的幾何認識型ニューラルサーフェス表現であるCoFieを紹介する。 CoFie は局所 SDF の二次近似による理論的解析によって動機付けられる。 局所形状は, 局所形状の正規方向と接方向で定義される座標フレームにおいて, 非常に圧縮性が高いことがわかった。 そこで,すべての局所形状の座標フレームを構成する座標場について紹介する。 座標場は最適化可能で、局所的な形状を世界座標フレームから整列した形状座標フレームに変換するのに用いられる。 局所的な形状の複雑さを大幅に減らし、MDPに基づく暗黙の表現の学習に役立てる。 さらに, 局所形状の表現性を高めるため, MLPに二次層を導入する。 CoFie は一般化可能な曲面表現である。 3D形状のキュレートされたセットでトレーニングされ、テスト中に新しい形状のインスタンスで作業する。 以前の作業で同じ量のパラメータを使用する場合、CoFieは、トレーニングカテゴリと見えない形状カテゴリの両方の新しい例で、シェイプエラーを48%と56%削減する。 さらに、CoFieは、パラメータが70%少ない場合に、以前の処理に匹敵するパフォーマンスを示す。

関連論文リスト

• 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
  Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。 PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。 我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
  論文  参考訳（メタデータ） (2024-07-15T08:50:02Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution [10.449455311881398]
  そこで我々は,局所幾何学の学習を促進できる,単純かつ効果的なアーキテクチャ単位として,ラプラシアン単位(LU)を提案する。 LUは、典型的なクラウド理解タスクにおいて、競争力または優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-07-04T03:49:13Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• 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)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• 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)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。