論文の概要: Grounding Continuous Representations in Geometry: Equivariant Neural Fields
- arxiv url: http://arxiv.org/abs/2406.05753v4
- Date: Fri, 04 Oct 2024 15:00:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-07 15:08:23.826523
- Title: Grounding Continuous Representations in Geometry: Equivariant Neural Fields
- Title(参考訳): 幾何学における接地連続表現:等変ニューラル場
- Authors: David R Wessels, David M Knigge, Samuele Papa, Riccardo Valperga, Sharvaree Vadgama, Efstratios Gavves, Erik J Bekkers,
- Abstract要約: そこで我々は,幾何インフォームド・クロスアテンションを用いた新しいCNFアーキテクチャを提案する。
このアプローチは、フィールドと潜伏剤の両方を幾何学的にグラウンド化することによって、ステアビリティ特性を誘導することを示す。
分類,セグメンテーション,予測,再構築など,様々なタスクにおいて,これらの主な特性を検証する。
- 参考スコア(独自算出の注目度): 26.567143650213225
- License:
- Abstract: Conditional Neural Fields (CNFs) are increasingly being leveraged as continuous signal representations, by associating each data-sample with a latent variable that conditions a shared backbone Neural Field (NeF) to reconstruct the sample. However, existing CNF architectures face limitations when using this latent downstream in tasks requiring fine grained geometric reasoning, such as classification and segmentation. We posit that this results from lack of explicit modelling of geometric information (e.g. locality in the signal or the orientation of a feature) in the latent space of CNFs. As such, we propose Equivariant Neural Fields (ENFs), a novel CNF architecture which uses a geometry-informed cross-attention to condition the NeF on a geometric variable, a latent point cloud of features, that enables an equivariant decoding from latent to field. We show that this approach induces a steerability property by which both field and latent are grounded in geometry and amenable to transformation laws: if the field transforms, the latent representation transforms accordingly - and vice versa. Crucially, this equivariance relation ensures that the latent is capable of (1) representing geometric patterns faitfhully, allowing for geometric reasoning in latent space, (2) weight-sharing over similar local patterns, allowing for efficient learning of datasets of fields. We validate these main properties in a range of tasks including classification, segmentation, forecasting and reconstruction, showing clear improvement over baselines with a geometry-free latent space.
- Abstract(参考訳): 条件付きニューラルフィールド(CNF)は、サンプルを再構成するために共有バックボーンニューラルフィールド(NeF)を条件とする潜時変数と各データサンプルを関連付けることで、連続的な信号表現としてますます活用されている。
しかし、既存のCNFアーキテクチャは、分類やセグメンテーションのようなきめ細かい幾何学的推論を必要とするタスクにおいて、この潜時的な下流を使用する際に制限に直面している。
これは、CNFsの潜在空間における幾何情報(例えば信号の局所性や特徴の向き)の明示的なモデリングが欠如していることから生じると仮定する。
そこで我々は、幾何学的変数にNeFを条件付けるために幾何学的インフォームド・クロスアテンションを用いた新しいCNFアーキテクチャであるEquivariant Neural Fields (ENFs)を提案する。
このアプローチは、場と潜伏表現の両方が幾何学的に基底を置き、変換法則(場が変換された場合、潜伏表現はそれに従って変換され、逆もまた可能)を導出するステアビリティ特性を誘導することを示す。
重要な点として、この等式関係は、(1)被写体が幾何学的パターンをファイトフリーに表現し、被写体空間における幾何学的推論を可能にし、(2)類似した局所的なパターンを重み分けし、フィールドのデータセットの効率的な学習を可能にすることを保証している。
分類,セグメンテーション,予測,再構成などのタスクにおいて,これらの主な特性を検証し,幾何学的自由な潜在空間を持つベースラインよりも明確な改善を示す。
関連論文リスト
- Geometric Neural Process Fields [58.77241763774756]
幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。
これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。
3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2025-02-04T14:17:18Z) - 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) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Relative representations enable zero-shot latent space communication [19.144630518400604]
ニューラルネットワークは、高次元空間に横たわるデータ多様体の幾何学的構造を潜在表現に埋め込む。
ニューラルネットワークがこれらの相対表現をどのように活用して、実際に潜時等尺不変性を保証するかを示す。
論文 参考訳(メタデータ) (2022-09-30T12:37:03Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳(メタデータ) (2022-09-29T15:59:23Z) - Representing Deep Neural Networks Latent Space Geometries with Graphs [38.63434325489782]
ディープラーニング(DL)は多くの機械学習タスクで最先端のパフォーマンスに到達する能力に多くの注目を集めている。
本研究は, 様々な問題に対処するために, これらの潜在測地に関する制約を導入することが可能であることを示す。
論文 参考訳(メタデータ) (2020-11-14T17:21:29Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Unsupervised Geometric Disentanglement for Surfaces via CFAN-VAE [7.5714374873825765]
CFAN機能を用いて識別とポーズをアンタングル化する新しいアーキテクチャであるCFAN-VAEを提案する。
CFAN-VAEは、訓練中にアイデンティティやポーズに関するラベル情報を必要としないため、教師なし経路における幾何学的ゆがみを実現する。
また,xyz座標を直接符号化するメッシュ畳み込みオートエンコーダにおいて,その潜在空間をCFAN-VAEに登録することで,幾何学的歪みのレベルを検出することに成功した。
論文 参考訳(メタデータ) (2020-05-23T23:28:10Z) - 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)
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。