論文の概要: 3D Shape Completion with Test-Time Training

• arxiv url: http://arxiv.org/abs/2410.18668v1
• Date: Thu, 24 Oct 2024 11:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:50:55.046576
• Title: 3D Shape Completion with Test-Time Training
• Title（参考訳）: テストタイムトレーニングによる3次元形状補完
• Authors: Michael Schopf-Kuester, Zorah Lähner, Michael Moeller,
• Abstract要約: 署名された距離関数(DeepSDF)の予測に関する関連する研究によって動機付けられたデコーダネットワークを用いる。 断裂した部分への過度な適合は,ShapeNetデータセットの8つの異なる形状カテゴリーを,そのチャムハ距離で復元する上で大きな改善をもたらすことを実証した。
• 参考スコア（独自算出の注目度）: 6.764513343390546
• License:
• Abstract: This work addresses the problem of \textit{shape completion}, i.e., the task of restoring incomplete shapes by predicting their missing parts. While previous works have often predicted the fractured and restored shape in one step, we approach the task by separately predicting the fractured and newly restored parts, but ensuring these predictions are interconnected. We use a decoder network motivated by related work on the prediction of signed distance functions (DeepSDF). In particular, our representation allows us to consider test-time-training, i.e., finetuning network parameters to match the given incomplete shape more accurately during inference. While previous works often have difficulties with artifacts around the fracture boundary, we demonstrate that our overfitting to the fractured parts leads to significant improvements in the restoration of eight different shape categories of the ShapeNet data set in terms of their chamfer distances.
• Abstract（参考訳）: この研究は、textit{shape completion} の問題、すなわち、欠落した部分を予測することによって不完全な形状を復元するタスクに対処する。 従来の作業では, 破折部と復元部をそれぞれ別々に予測することで, 破折部と復元部とを相互に予測する必要があったが, これらの予測は相互に相互に関連付けられている。 我々は署名された距離関数(DeepSDF)の予測に関する関連する研究によって動機付けられたデコーダネットワークを使用する。 特に,テスト時間トレーニング,すなわちネットワークパラメータを微調整することで,推論中に与えられた不完全な形状をより正確に一致させることができる。 フラクチャー境界付近のアーティファクトではしばしば困難であったが, フラクチャー部への過度な適合は, シャムファー距離で設定したシェードネットデータセットの8つの異なる形状カテゴリーの復元において, 顕著な改善をもたらすことを示した。

関連論文リスト

• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• DeepJoin: Learning a Joint Occupancy, Signed Distance, and Normal Field Function for Shape Repair [0.684225774857327]
  DeepJoinは、ディープニューラルネットワークを使用して骨折形状の高精度な修復を生成するための、自動化されたアプローチである。 本稿では, 占有機能, 符号付き距離関数, 正常場を組み合わせた, 破面形状修復のための新しい暗黙的形状表現法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T16:44:57Z)
• DeepMend: Learning Occupancy Functions to Represent Shape for Repair [0.6087960723103347]
  DeepMendは、学習された占有機能を使って骨折形状の修復を再構築する新しいアプローチである。 本研究は, フラクチャー形状の占有を, 基礎となる完全形状の占有と破壊面との結合として表現する。 人工および実世界の走査対象物に模擬骨折を施行し, 実破折マグカップを採取した。
  論文  参考訳（メタデータ） (2022-10-11T18:42:20Z)
• 3D Textured Shape Recovery with Learned Geometric Priors [58.27543892680264]
  本技術報告では,学習した幾何学的先入観を取り入れて,限界に対処するアプローチを提案する。 我々は、学習したポーズ予測からSMPLモデルを生成し、それを部分的な入力に融合させ、人体の事前知識を追加する。 また、異なるレベルのスケールを扱うために、新しい完全性を考慮したバウンディングボックス適応を提案する。
  論文  参考訳（メタデータ） (2022-09-07T16:03:35Z)
• 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)
• Implicit Shape Completion via Adversarial Shape Priors [46.48590354256945]
  部分点雲の完全化のためのニューラル暗黙的形状法を提案する。 条件付きDeep-SDFアーキテクチャと学習済みの逆形状の事前処理を組み合わせる。 我々はPointNet++識別器を訓練し、生成元が可塑性で一貫した再構成を生成することを示唆する。
  論文  参考訳（メタデータ） (2022-04-21T12:49:59Z)
• Point Scene Understanding via Disentangled Instance Mesh Reconstruction [21.92736190195887]
  本稿では,効率的なポイントシーン理解のために,aDisentangled Instance Mesh Reconstruction (DIMR) フレームワークを提案する。 セグメント化ベースのバックボーンは、偽陽性オブジェクトの提案を減らすために適用される。 メッシュを意識した潜在コード空間を活用して、シェイプコンプリートとメッシュ生成のプロセスを切り離します。
  論文  参考訳（メタデータ） (2022-03-31T06:36:07Z)
• 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)
• A-SDF: Learning Disentangled Signed Distance Functions for Articulated Shape Representation [62.517760545209065]
  A-SDF (Articulated Signed Distance Functions) を導入して, 曲面形状を表す。 本モデルでは, 部分点群や実世界深度画像など, 未知のデータへの一般化を実証する。
  論文  参考訳（メタデータ） (2021-04-15T17:53:54Z)

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。