論文の概要: SweepNet: Unsupervised Learning Shape Abstraction via Neural Sweepers

• arxiv url: http://arxiv.org/abs/2407.06305v1
• Date: Mon, 8 Jul 2024 18:18:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 22:13:05.967808
• Title: SweepNet: Unsupervised Learning Shape Abstraction via Neural Sweepers
• Title（参考訳）: SweepNet: ニューラルネットワークによる教師なし学習形状抽象化
• Authors: Mingrui Zhao, Yizhi Wang, Fenggen Yu, Changqing Zou, Ali Mahdavi-Amiri,
• Abstract要約: 本稿では,スイープ面を抽象化する新しい手法であるPapernameを紹介する。 そこで本稿では, 形状表現にスーパー楕円, 軸にB-スプライン曲線を用いたスイープ面の効果的なパラメータ化を提案する。 識別可能なニューラル・スイーパーとエンコーダ・デコーダアーキテクチャを導入することで、監督なしにスイープ表面表現を予測できることを実証する。
• 参考スコア（独自算出の注目度）: 18.9832388952668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shape abstraction is an important task for simplifying complex geometric structures while retaining essential features. Sweep surfaces, commonly found in human-made objects, aid in this process by effectively capturing and representing object geometry, thereby facilitating abstraction. In this paper, we introduce \papername, a novel approach to shape abstraction through sweep surfaces. We propose an effective parameterization for sweep surfaces, utilizing superellipses for profile representation and B-spline curves for the axis. This compact representation, requiring as few as 14 float numbers, facilitates intuitive and interactive editing while preserving shape details effectively. Additionally, by introducing a differentiable neural sweeper and an encoder-decoder architecture, we demonstrate the ability to predict sweep surface representations without supervision. We show the superiority of our model through several quantitative and qualitative experiments throughout the paper. Our code is available at https://mingrui-zhao.github.io/SweepNet/
• Abstract（参考訳）: 形状抽象化は、重要な特徴を維持しながら複雑な幾何学構造を単純化する重要な課題である。 人間の作った物体によく見られるスイートサーフェスは、オブジェクトの幾何学を効果的に捉え、表現することで、抽象化を容易にすることで、このプロセスを支援する。 本稿では,スイープ面を抽象化する新しい手法である \papername を紹介する。 そこで本稿では, 形状表現にスーパー楕円, 軸にB-スプライン曲線を用いたスイープ面の効果的なパラメータ化を提案する。 このコンパクトな表現は14個の浮動小数点数しか必要とせず、形の詳細を効果的に保存しながら直感的でインタラクティブな編集を容易にする。 さらに、識別可能なニューラルスイーパーとエンコーダ・デコーダアーキテクチャを導入することで、監督なしにスイープ表面表現を予測する能力を示す。 論文全体を通して, 定量的, 定性的な実験を通じて, モデルの優位性を示す。 私たちのコードはhttps://mingrui-zhao.github.io/SweepNet/で利用可能です。

関連論文リスト

• ShapeGrasp: Zero-Shot Task-Oriented Grasping with Large Language Models through Geometric Decomposition [8.654140442734354]
  不慣れな物体のタスク指向の把握は、動的家庭環境におけるロボットにとって必要なスキルである。 本稿では,対象物体の幾何学的分解を簡単な凸形状に生かしたゼロショットタスク指向の把握手法を提案する。 このアプローチでは、ゼロショットタスク指向の把握を容易にするために、最小限の必須情報(オブジェクト名と意図したタスク)を使用します。
  論文  参考訳（メタデータ） (2024-03-26T19:26:53Z)
• Robust Shape Fitting for 3D Scene Abstraction [33.84212609361491]
  特に,キュービドやシリンダーなどのボリュームプリミティブを用いて人工環境を記述することができる。 プリミティブフィッティングのためのロバストな推定器を提案し、キュービドを用いて複雑な現実世界環境を有意に抽象化する。 NYU Depth v2データセットの結果、提案アルゴリズムは、乱雑な現実世界の3Dシーンレイアウトをうまく抽象化することを示した。
  論文  参考訳（メタデータ） (2024-03-15T16:37:43Z)
• QuadricsNet: Learning Concise Representation for Geometric Primitives in Point Clouds [39.600071233251704]
  本稿では,3次元点雲の精密な幾何学的原始表現を学習するための新しい枠組みを提案する。 私たちは10のパラメータしか持たない多様なプリミティブを表現するために二次的手法を採用しています。 我々は,ポイントクラウドの二次解析を行うために,最初のエンドツーエンド学習ベースのフレームワークであるQuadricsNetを提案する。
  論文  参考訳（メタデータ） (2023-09-25T15:18:08Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• 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)
• 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)
• Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds [8.156355030558172]
  複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:15:16Z)
• Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
  表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。 本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T02:07:29Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• DualSDF: Semantic Shape Manipulation using a Two-Level Representation [54.62411904952258]
  本稿では,2段階の粒度で形状を表現するDualSDFと,抽象化されたプロキシ形状を表すDualSDFを提案する。 我々の2段階モデルでは、ユーザが対話的に粗いプロキシの形状を操作でき、その変化を即座に高解像度の形状に反映できる新しい形状操作技術が生み出される。
  論文  参考訳（メタデータ） (2020-04-06T17:59:15Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。