論文の概要: VisDiff: SDF-Guided Polygon Generation for Visibility Reconstruction and Recognition
- arxiv url: http://arxiv.org/abs/2410.05530v1
- Date: Mon, 7 Oct 2024 22:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 18:08:20.530827
- Title: VisDiff: SDF-Guided Polygon Generation for Visibility Reconstruction and Recognition
- Title（参考訳）: VisDiff: 可視化と認識のためのSDF誘導ポリゴン生成
- Authors: Rahul Moorthy, Volkan Isler,
- Abstract要約: 表現学習における活発なフロンティアは、よく知られた局所的な近傍や距離関数を含まない構造に対する理解表現である。
対象の可視グラフGからポリゴンを再構成する新しい拡散に基づくアプローチであるVisDiffを導入する。
提案手法はまず,P の符号付き距離関数 (SDF) を G から推定する。
- 参考スコア（独自算出の注目度）: 23.45542550861476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The capability to learn latent representations plays a key role in the effectiveness of recent machine learning methods. An active frontier in representation learning is understanding representations for combinatorial structures which may not admit well-behaved local neighborhoods or distance functions. For example, for polygons, slightly perturbing vertex locations might lead to significant changes in their combinatorial structure and may even lead to invalid polygons. In this paper, we investigate representations to capture the underlying combinatorial structures of polygons. Specifically, we study the open problem of Visibility Reconstruction: Given a visibility graph G, construct a polygon P whose visibility graph is G. We introduce VisDiff, a novel diffusion-based approach to reconstruct a polygon from its given visibility graph G. Our method first estimates the signed distance function (SDF) of P from G. Afterwards, it extracts ordered vertex locations that have the pairwise visibility relationship given by the edges of G. Our main insight is that going through the SDF significantly improves learning for reconstruction. In order to train VisDiff, we make two main contributions: (1) We design novel loss components for computing the visibility in a differentiable manner and (2) create a carefully curated dataset. We use this dataset to benchmark our method and achieve 21% improvement in F1-Score over standard methods. We also demonstrate effective generalization to out-of-distribution polygon types and show that learning a generative model allows us to sample the set of polygons with a given visibility graph. Finally, we extend our method to the related combinatorial problem of reconstruction from a triangulation. We achieve 95% classification accuracy of triangulation edges and a 4% improvement in Chamfer distance compared to current architectures.
- Abstract（参考訳）: 潜在表現を学習する能力は、最近の機械学習手法の有効性において重要な役割を果たしている。
表現学習における活発なフロンティアは、よく存在する局所的近傍や距離関数を含まない組合せ構造に対する理解表現である。
例えば、ポリゴンの場合、わずかに摂動する頂点位置は結合構造に大きな変化をもたらす可能性があり、また、無効なポリゴンにつながることもある。
本稿では,ポリゴンの基底構造を捉えるための表現について検討する。
具体的には、可視性再構成のオープンな問題について検討する: 可視性グラフ G が与えられたとき、可視性グラフが G であるポリゴン P を構築する。 私たちは、与えられた可視性グラフ G からポリゴンを再構成するための新しい拡散に基づくアプローチである VisDiff を紹介します。
VisDiffを訓練するためには、(1)可視性を異なる方法で計算するための新しい損失要素を設計し、(2)慎重にキュレートされたデータセットを作成する。
このデータセットを用いて,本手法のベンチマークを行い,標準手法よりもF1スコアが21%向上した。
また、分布外多角形への効果的な一般化を実証し、生成モデルの学習により、与えられた可視グラフでポリゴンの集合をサンプリングできることを示す。
最後に,本手法を三角測量から再構成する組合せ問題に拡張する。
トライアングルエッジの95%の分類精度とチャムファー距離の4%改善を実現した。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - RoIPoly: Vectorized Building Outline Extraction Using Vertex and Logit Embeddings [5.093758132026397]
航空画像や衛星画像から建物概要を抽出する新しいクエリベースの手法を提案する。
クエリとして各ポリゴンを定式化し、潜在的ビルディングの最も関連性の高い領域に対してクエリの注意を拘束する。
本手法は,2次元フロアプラン再構築データセットであるStructured3Dを用いて,ベクトル化建物アウトライン抽出データセット(CrowdAI)と2次元フロアプラン再構築データセット(Structured3D)について評価する。
論文 参考訳（メタデータ） (2024-07-20T16:12:51Z) - Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network [3.804240190982697]
本稿では,ポリゴンの形状分類のための幾何学的不変特徴を学習するために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。
提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴の学習を可能にする。
論文 参考訳（メタデータ） (2024-07-05T08:19:36Z) - PolygonGNN: Representation Learning for Polygonal Geometries with Heterogeneous Visibility Graph [8.971120205703887]
本稿では,多角形空間,特に多角形空間の表現を学習するためのフレームワークを提案する。
計算効率を向上し,グラフ冗長性を最小化するために,不均一なスパンニングツリーサンプリング手法を実装した。
また、可視性グラフに固有の空間的・意味的不均一性を活かした新しいモデルであるMultipolygon-GNNを導入する。
論文 参考訳（メタデータ） (2024-06-30T16:07:49Z) - PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds [22.18061879431175]
PolyGNNは、再構成ポイントクラウドを構築するためのグラフニューラルネットワークである。
多面体分解によって得られる原始体を組み立てることを学ぶ。
都市間および実世界の点雲上での移動可能性解析を行う。
論文 参考訳（メタデータ） (2023-07-17T16:52:25Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳（メタデータ） (2022-09-29T15:59:23Z) - Learning Spatial Context with Graph Neural Network for Multi-Person Pose
Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。
本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。
学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文 参考訳（メタデータ） (2021-04-06T09:21:14Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z)
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。