Fugu-MT 論文翻訳(概要): Generative Topology for Shape Synthesis

論文の概要: Generative Topology for Shape Synthesis

arxiv url: http://arxiv.org/abs/2410.18987v1
Date: Wed, 09 Oct 2024 17:19:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-03 08:52:29.389257
Title: Generative Topology for Shape Synthesis
Title（参考訳）: 形状合成のための生成トポロジー
Authors: Ernst Röell, Bastian Rieck,
Abstract要約: 我々はポイントクラウド上での形状生成タスクのための新しいフレームワークを開発する。提案モデルでは, 復元作業や生成作業の質が高く, 効率の良い潜在空間を確保でき, 既存の手法よりも桁違いに高速である。
参考スコア（独自算出の注目度）: 13.608942872770855
License:
Abstract: The Euler Characteristic Transform (ECT) is a powerful invariant for assessing geometrical and topological characteristics of a large variety of objects, including graphs and embedded simplicial complexes. Although the ECT is invertible in theory, no explicit algorithm for general data sets exists. In this paper, we address this lack and demonstrate that it is possible to learn the inversion, permitting us to develop a novel framework for shape generation tasks on point clouds. Our model exhibits high quality in reconstruction and generation tasks, affords efficient latent-space interpolation, and is orders of magnitude faster than existing methods.
Abstract（参考訳）: オイラー特性変換(英: Euler Characteristics Transform, ECT)は、グラフや埋め込み単純複体を含む、多種多様な対象の幾何学的および位相的特性を評価するための強力な不変量である。 ECTは理論上は可逆であるが、一般データセットに対する明示的なアルゴリズムは存在しない。本稿では、この欠点に対処し、逆転学習が可能であることを示し、ポイントクラウド上での形状生成タスクのための新しいフレームワークの開発を可能にする。提案モデルでは, 復元作業や生成作業の質が高く, 効率的な潜時空間補間が可能であり, 既存の手法よりも桁違いに高速である。

関連論文リスト

Differentiable Euler Characteristic Transforms for Shape Classification [13.608942872770855]
オイラー特性変換(ECT)は、形状とグラフの幾何学的特徴と位相的特徴を組み合わせた強力な表現であることが証明されている。我々は,ECTをエンドツーエンドで学習できる新しい計算層を開発した。
論文参考訳（メタデータ） (2023-10-11T16:23:07Z)
Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文参考訳（メタデータ） (2023-09-08T02:44:37Z)
VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2023-04-03T13:13:19Z)
DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文参考訳（メタデータ） (2023-01-23T15:18:54Z)
Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
論文参考訳（メタデータ） (2022-07-27T00:42:59Z)
ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation [28.445041795260906]
我々は,境界表現(B-Rep)におけるCADモデルの再構成を,異なる順序の幾何学的プリミティブの検出とみなす。このような包括的構造をモデル化することにより,より完全かつ規則化された再構築を実現することができることを示す。
論文参考訳（メタデータ） (2022-05-29T05:30:33Z)
Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
論文参考訳（メタデータ） (2022-04-05T03:12:29Z)
Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文参考訳（メタデータ） (2021-10-28T14:59:41Z)
Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。得られたモデルは生の3D形状からトレーニングできる。
論文参考訳（メタデータ） (2021-02-27T06:54:31Z)
Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。