論文の概要: Synchronous Diffusion for Unsupervised Smooth Non-Rigid 3D Shape Matching
- arxiv url: http://arxiv.org/abs/2407.08244v1
- Date: Thu, 11 Jul 2024 07:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 18:39:04.588202
- Title: Synchronous Diffusion for Unsupervised Smooth Non-Rigid 3D Shape Matching
- Title（参考訳）: 非教師付き平滑な3次元形状マッチングのための同期拡散法
- Authors: Dongliang Cao, Zorah Laehner, Florian Bernard,
- Abstract要約: 非剛性3次元形状整合問題において,正則化として用いる同期拡散過程を提案する。
我々の新しい規則化は、特にトポロジカルノイズの存在下で、形状整合の最先端性を大幅に向上させることができることを実証する。
- 参考スコア（独自算出の注目度）: 15.843208029973175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most recent unsupervised non-rigid 3D shape matching methods are based on the functional map framework due to its efficiency and superior performance. Nevertheless, respective methods struggle to obtain spatially smooth pointwise correspondences due to the lack of proper regularisation. In this work, inspired by the success of message passing on graphs, we propose a synchronous diffusion process which we use as regularisation to achieve smoothness in non-rigid 3D shape matching problems. The intuition of synchronous diffusion is that diffusing the same input function on two different shapes results in consistent outputs. Using different challenging datasets, we demonstrate that our novel regularisation can substantially improve the state-of-the-art in shape matching, especially in the presence of topological noise.
- Abstract（参考訳）: 最近の非教師なし3次元形状マッチング法は,その効率性と優れた性能のため,関数型マップフレームワークをベースとしている。
それでも、それぞれの手法は、適切な正規化が欠如しているため、空間的に滑らかな点対応を得るのに苦労する。
本研究は,グラフ上でのメッセージパッシングの成功に触発されて,非剛性3次元形状整合問題における滑らか性を実現するために,正規化として使用する同期拡散プロセスを提案する。
同期拡散の直感は、2つの異なる形状で同じ入力関数を拡散することで一貫した出力が得られるということである。
異なる挑戦的データセットを用いて、新しい正規化が、特にトポロジカルノイズの存在下で、形状マッチングの最先端性を大幅に改善できることを実証する。
関連論文リスト
- Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。
従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。
本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
論文 参考訳（メタデータ） (2024-03-29T02:10:38Z) - Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳（メタデータ） (2024-02-29T07:26:23Z) - Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。
本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
論文 参考訳（メタデータ） (2023-11-27T09:55:55Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳（メタデータ） (2023-09-09T16:21:56Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Learning Iterative Robust Transformation Synchronization [71.73273007900717]
グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
論文 参考訳（メタデータ） (2021-11-01T07:03:14Z) - Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。
ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。
さらなる研究のために、コードと事前訓練されたモデルをリリースします。
論文 参考訳（メタデータ） (2021-02-01T20:58:45Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
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。