Fugu-MT 論文翻訳(概要): Orient Anything

論文の概要: Orient Anything

arxiv url: http://arxiv.org/abs/2410.02101v2
Date: Fri, 31 Jan 2025 21:50:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-04 16:06:16.257822
Title: Orient Anything
Title（参考訳）: オリエントなもの
Authors: Christopher Scarvelis, David Benhaim, Paul Zhang,
Abstract要約: そこで我々は,2段階の配向パイプラインを導入し,アップアクティビティ推定におけるアートパフォーマンスの状態を把握した。従来の作業とは異なり、クラスのサブセットではなく、すべてのShapenet上でメソッドをトレーニングし、評価します。
参考スコア（独自算出の注目度）: 4.342241136871849
License:
Abstract: Orientation estimation is a fundamental task in 3D shape analysis which consists of estimating a shape's orientation axes: its side-, up-, and front-axes. Using this data, one can rotate a shape into canonical orientation, where its orientation axes are aligned with the coordinate axes. Developing an orientation algorithm that reliably estimates complete orientations of general shapes remains an open problem. We introduce a two-stage orientation pipeline that achieves state of the art performance on up-axis estimation and further demonstrate its efficacy on full-orientation estimation, where one seeks all three orientation axes. Unlike previous work, we train and evaluate our method on all of Shapenet rather than a subset of classes. We motivate our engineering contributions by theory describing fundamental obstacles to orientation estimation for rotationally-symmetric shapes, and show how our method avoids these obstacles.
Abstract（参考訳）: 方向推定は3次元形状解析における基本的な課題であり、形状の方向軸(横軸、上軸、前軸)を推定する。このデータを用いて、形状を正準向きに回転させ、その配向軸は座標軸と整列する。一般形状の完全な配向を確実に推定する配向アルゴリズムの開発は、未解決の問題である。本研究では,2段階の配向パイプラインを導入し,3つの配向軸すべてを求める全配向推定の有効性を実証する。従来の作業とは異なり、クラスのサブセットではなく、すべてのShapenet上でメソッドをトレーニングし、評価します。回転対称形状の配向推定に基本的障害を記述した理論により,我々の工学的貢献を動機付け,これらの障害を回避する方法を示す。

関連論文リスト

Rotation-Adaptive Point Cloud Domain Generalization via Intricate Orientation Learning [34.424450834358204]
本稿では,3次元点雲解析のための回転適応型領域一般化フレームワークを提案する。本手法は,反復学習プロセスにおける複雑なサンプルを活用することにより,方向転換を緩和することを目的としている。我々は、配向整合性損失とマージン分離損失を組み込んだ配向型コントラスト学習フレームワークを採用する。
論文参考訳（メタデータ） (2025-02-04T11:46:32Z)
Orient Anything: Learning Robust Object Orientation Estimation from Rendering 3D Models [79.96917782423219]
オリエント・アプライシング(Orient Anything)は、1つの画像でオブジェクトの向きを推定するために設計された最初のエキスパートで基礎的なモデルである。 3Dオブジェクトの前面にアノテートするパイプラインを開発することで、正確な向きのアノテーションで2Mイメージを収集する。本モデルでは,レンダリング画像と実画像の両方において,最先端の向き推定精度を実現する。
論文参考訳（メタデータ） (2024-12-24T18:58:43Z)
ESCAPE: Equivariant Shape Completion via Anchor Point Encoding [79.59829525431238]
回転同変形状補完を実現するためのフレームワークであるESCAPEを紹介する。 ESCAPEは、形状からアンカーポイントを選択し、すべてのポイントを全てのアンカーポイントまでの距離として表現することで、独特の符号化戦略を採用している。 ESCAPEは任意の回転と翻訳をまたいだ堅牢で高品質な再構成を実現する。
論文参考訳（メタデータ） (2024-12-01T20:05:14Z)
Category-Level 6D Object Pose Estimation with Flexible Vector-Based Rotation Representation [51.67545893892129]
モノクロRGB-D画像からカテゴリレベルの6次元ポーズとサイズ推定のための新しい3次元グラフ畳み込みに基づくパイプラインを提案する。まず,3次元グラフ畳み込みを用いた向き対応オートエンコーダの設計を行った。そして, 回転情報を潜在特徴から効率的に復号化するために, フレキシブルなベクトルベースデコンポーザブルな回転表現を設計する。
論文参考訳（メタデータ） (2022-12-09T02:13:43Z)
Deep Projective Rotation Estimation through Relative Supervision [31.05330535795121]
ディープラーニングは、画像ベースの向き推定器を開発する方法を提供する。これらの推定器は、しばしば大きなラベル付きデータセットのトレーニングを必要とする。自己教師付き配向推定のための新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-11-21T04:58:07Z)
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)
Amplifying the Anterior-Posterior Difference via Data Enhancement -- A More Robust Deep Monocular Orientation Estimation Solution [7.540176446791261]
既存のディープラーニングベースの単眼方向推定アルゴリズムは、オブジェクトの前部と後部の混乱の問題に直面している。本研究では,物体の向きが位置する左右半円を予測することに焦点を当てた事前学習手法を提案する。実験の結果,提案する半円予測により方向推定の精度が向上し,上記の問題を緩和できることがわかった。
論文参考訳（メタデータ） (2020-12-21T15:36:13Z)
Learning to Orient Surfaces by Self-supervised Spherical CNNs [15.554429755106332]
3D表面の標準配向の定義と確実な発見は、多くのコンピュータビジョンとロボティクスアプリケーションにとって鍵となる。点雲として表される曲面に対する頑健な正準方向の学習の実現可能性を示す。提案手法は, 自己教師付き訓練手順により生データからこのような特徴マップを学習し, 入力点雲を学習正準方向に変換する回転を頑健に選択する。
論文参考訳（メタデータ） (2020-11-06T11:43:57Z)
A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文参考訳（メタデータ） (2020-03-16T14:04:45Z)
From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized 3D Point Clouds [59.98665358527686]
直交平面の分割自由結合推定法を提案する。このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
論文参考訳（メタデータ） (2020-01-21T06:51:47Z)

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。