論文の概要: Self-supervised Shape Completion via Involution and Implicit Correspondences

• arxiv url: http://arxiv.org/abs/2409.15939v1
• Date: Tue, 24 Sep 2024 10:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 08:01:40.775456
• Title: Self-supervised Shape Completion via Involution and Implicit Correspondences
• Title（参考訳）: インボリューションと暗黙の対応による自己教師型形状補完
• Authors: Mengya Liu, Ajad Chhatkuli, Janis Postels, Luc Van Gool, Federico Tombari,
• Abstract要約: 3次元形状の完成は、教師付きトレーニングや、完全な形状の例による分布学習によって伝統的に解決される。 近年, 完全な3次元形状の例を必要としない自己指導型学習手法が注目されている。 形状完遂作業のための非対角的自己教師型手法を提案する。
• 参考スコア（独自算出の注目度）: 89.18705005095359
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D shape completion is traditionally solved using supervised training or by distribution learning on complete shape examples. Recently self-supervised learning approaches that do not require any complete 3D shape examples have gained more interests. In this paper, we propose a non-adversarial self-supervised approach for the shape completion task. Our first finding is that completion problems can be formulated as an involutory function trivially, which implies a special constraint on the completion function G, such that G(G(X)) = X. Our second constraint on self-supervised shape completion relies on the fact that shape completion becomes easier to solve with correspondences and similarly, completion can simplify the correspondences problem. We formulate a consistency measure in the canonical space in order to supervise the completion function. We efficiently optimize the completion and correspondence modules using "freeze and alternate" strategy. The overall approach performs well for rigid shapes in a category as well as dynamic non-rigid shapes. We ablate our design choices and compare our solution against state-of-the-art methods, showing remarkable accuracy approaching supervised accuracy in some cases.
• Abstract（参考訳）: 3次元形状の完成は、教師付きトレーニングや、完全な形状の例による分布学習によって伝統的に解決される。 近年, 完全な3次元形状の例を必要としない自己指導型学習手法が注目されている。 本稿では, 形状完遂作業のための非対角的自己教師型手法を提案する。 G(G(X)) = X のような完備関数 G に特別な制約を与えるような不定形関数として完備問題を定式化できることが最初の発見である。 完備化関数を監督するために、正準空間における整合度尺度を定式化する。 我々は「フリーズ・アンド・代替」戦略を用いて、補完モジュールと対応モジュールを効率的に最適化する。 全体的なアプローチは、カテゴリー内の剛体形状と動的非剛体形状に対してうまく機能する。 設計選択を補正し、最先端の手法と比較し、ある程度の精度で教師付き精度に近づいていることを示す。

関連論文リスト

• DiffComplete: Diffusion-based Generative 3D Shape Completion [114.43353365917015]
  3次元レンジスキャンにおける形状完成のための拡散に基づく新しいアプローチを提案する。 私たちはリアリズム、マルチモダリティ、高忠実さのバランスを取ります。 DiffCompleteは2つの大規模3次元形状補完ベンチマークに新しいSOTA性能を設定する。
  論文  参考訳（メタデータ） (2023-06-28T16:07:36Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• AutoSDF: Shape Priors for 3D Completion, Reconstruction and Generation [29.018733252938926]
  パワフルな事前処理によって、不十分な情報で推論を実行できます。 本稿では, 形状完了, 復元, 生成といったマルチモーダルな3次元課題を解決するために, 3次元形状に対する自己回帰前処理を提案する。
  論文  参考訳（メタデータ） (2022-03-17T17:59:54Z)
• Unsupervised 3D Shape Completion through GAN Inversion [116.27680045885849]
  本稿では,GAN(Generative Adrial Network)インバージョンを導入したShapeInversionについて紹介する。 ShapeInversionは、与えられた部分入力に最も適した完全な形状を与える潜在コードを探すことで、完全な形状で事前訓練されたGANを使用する。 shapenetベンチマークでは、shapeinversion は sota unsupervised メソッドよりも優れており、ペアデータを用いて学習される教師ありメソッドに匹敵する。
  論文  参考訳（メタデータ） (2021-04-27T17:53:46Z)
• Cycle4Completion: Unpaired Point Cloud Completion using Cycle Transformation with Missing Region Coding [57.23678891670394]
  完全形状の潜在空間と不完全空間の2つの同時サイクル変換を提案する。 本研究では,学習した双方向ジオメトリ対応モデルが最新非対向補完法を上回っていることを示した。
  論文  参考訳（メタデータ） (2021-03-14T03:52:53Z)

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。