論文の概要: Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective
- arxiv url: http://arxiv.org/abs/2409.11937v1
- Date: Wed, 18 Sep 2024 12:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-19 17:36:39.610137
- Title: Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective
- Title(参考訳): 脱カップリングを考慮した衝突促進歯列アレンジメントネットワーク
- Authors: Zhihui He, Chengyuan Wang, Shidong Yang, Li Chen, Yanheng Zhou, Shuo Wang,
- Abstract要約: 既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。
本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。
我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
- 参考スコア(独自算出の注目度): 10.293207903989053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tooth arrangement is an essential step in the digital orthodontic planning process. Existing learning-based methods use hidden teeth features to directly regress teeth motions, which couples target pose perception and motion regression. It could lead to poor perceptions of three-dimensional transformation. They also ignore the possible overlaps or gaps between teeth of predicted dentition, which is generally unacceptable. Therefore, we propose DTAN, a differentiable collision-supervised tooth arrangement network, decoupling predicting tasks and feature modeling. DTAN decouples the tooth arrangement task by first predicting the hidden features of the final teeth poses and then using them to assist in regressing the motions between the beginning and target teeth. To learn the hidden features better, DTAN also decouples the teeth-hidden features into geometric and positional features, which are further supervised by feature consistency constraints. Furthermore, we propose a novel differentiable collision loss function for point cloud data to constrain the related gestures between teeth, which can be easily extended to other 3D point cloud tasks. We propose an arch-width guided tooth arrangement network, named C-DTAN, to make the results controllable. We construct three different tooth arrangement datasets and achieve drastically improved performance on accuracy and speed compared with existing methods.
- Abstract(参考訳): 歯のアレンジメントは、デジタル矯正計画プロセスにおいて不可欠なステップである。
既存の学習ベースの手法では、隠れた歯の特徴を使って直接歯の動きを抑える。
これは3次元変換の認識不良につながる可能性がある。
また、予測された歯の重なり合いやギャップも無視するが、一般的には受け入れられない。
そこで本研究では, 衝突制御型歯列配置ネットワークであるDTANを提案し, 予測タスクと特徴モデリングを分離する。
DTANは、まず最後の歯のポーズの隠れた特徴を予測し、それを使って開始歯とターゲット歯の間の動きを後退させる。
隠れた特徴をよりよく学習するために、DTANは歯に隠された特徴を幾何学的特徴と位置的特徴に分離する。
さらに,他の3次元点群に容易に拡張可能な,歯間のジェスチャーを制約する点群データに対する新たな微分可能な衝突損失関数を提案する。
我々はC-DTANという名前のアーチ幅案内歯列配置ネットワークを提案し、その結果を制御可能にした。
3つの異なる歯列データセットを構築し、既存の方法と比較して精度と速度を大幅に改善した。
関連論文リスト
- TeethDreamer: 3D Teeth Reconstruction from Five Intra-oral Photographs [45.0864129371874]
そこで我々は,上下顎歯の形状と位置を復元する3次元再構築フレームワークTeethDreamerを提案する。
口腔内5枚の写真から,まず大きな拡散モデルの事前知識を活用して,新しい多視点画像を生成する。
生成したビュー間の3D整合性を確保するために,逆拡散プロセスに3D対応機能アテンション機構を統合する。
論文 参考訳(メタデータ) (2024-07-16T06:24:32Z) - Automatic Tooth Arrangement with Joint Features of Point and Mesh
Representations via Diffusion Probabilistic Models [33.75061391364549]
歯の整列は矯正治療において重要なステップであり、歯の整列は全体の健康を改善し、顔の美学を高め、自信を高める。
未経験者による歯のアレンジメントの効率化と不合理なデザインによる誤りの最小化を目的として, 深層学習に基づく歯のアレンジメント手法が提案されている。
論文 参考訳(メタデータ) (2023-12-23T02:27:15Z) - 3D Structure-guided Network for Tooth Alignment in 2D Photograph [47.51314162367702]
矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。
本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。
本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
論文 参考訳(メタデータ) (2023-10-17T09:44:30Z) - Auxiliary Tasks Benefit 3D Skeleton-based Human Motion Prediction [106.06256351200068]
本稿では,補助的なタスクを伴うモデル学習フレームワークを提案する。
補助作業では、部分体関節の座標はマスキングまたはノイズ付加によって損なわれる。
本稿では,不完全かつ破損した動作データを処理できる新しい補助適応変換器を提案する。
論文 参考訳(メタデータ) (2023-08-17T12:26:11Z) - YOLOrtho -- A Unified Framework for Teeth Enumeration and Dental Disease
Detection [4.136033167469768]
YOLOrthoは歯列挙と歯科疾患検出のための統合された枠組みである。
我々は,3種類の注釈付きデータからなるDentex Challenge 2023データに基づくモデルを開発した。
このデータを十分に活用し,同時に歯の発見と疾患の同定を学習するために,本研究では,歯に付着する属性として疾患を定式化する。
論文 参考訳(メタデータ) (2023-08-11T06:54:55Z) - 3D Tooth Mesh Segmentation with Simplified Mesh Cell Representation [42.512602472176184]
3次元メッシュによる手動歯のセグメンテーションは面倒であり, 歯科医によって異なる。
本稿では,メッシュセルのバリセンタ情報のみを利用する新たなセグメンテーション手法を提案する。
暗黙的な構造的制約を緩和し、より優れたセグメンテーション性能を達成できることを最初に示す。
論文 参考訳(メタデータ) (2023-01-25T11:43:56Z) - An Implicit Parametric Morphable Dental Model [79.29420177904022]
歯および歯茎の3次元異形性モデルとして, 第一報を提出した。
これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。
我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
論文 参考訳(メタデータ) (2022-11-21T12:23:54Z) - Semi-supervised segmentation of tooth from 3D Scanned Dental Arches [5.985943912419412]
歯のセグメンテーションは歯の修復において重要なトピックであり、歯冠形成、診断、治療計画に不可欠である。
本稿では,3次元アーチのセグメンテーションにおいて,スペクトルクラスタリングをニューラルネットワークの自己超越信号として用いることを提案する。
実験の結果,半教師付き学習では,完全に教師付き状態のMeshSegNetよりも改善が見られた。
論文 参考訳(メタデータ) (2022-08-10T19:56:47Z) - Dense Representative Tooth Landmark/axis Detection Network on 3D Model [32.81858923141152]
本稿では, 歯科医師によるラベル付きデータセットを用いた深層学習手法を提案する。
本手法では, 歯の目印(尖点など)だけでなく, 歯の角化や傾斜を測定する軸も抽出できる。
提案したネットワークは3次元歯のモデルとして入力され,様々な種類の歯のランドマークと軸を予測する。
論文 参考訳(メタデータ) (2021-11-08T00:42:22Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳(メタデータ) (2021-09-24T13:00:26Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳(メタデータ) (2020-12-26T08:02:56Z)
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。