論文の概要: Toward Robust Neural Reconstruction from Sparse Point Sets

• arxiv url: http://arxiv.org/abs/2412.16361v1
• Date: Fri, 20 Dec 2024 21:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:53.917049
• Title: Toward Robust Neural Reconstruction from Sparse Point Sets
• Title（参考訳）: スパース点集合からのロバストニューラルネットワーク構築に向けて
• Authors: Amine Ouasfi, Shubhendu Jena, Eric Marchand, Adnane Boukhayma,
• Abstract要約: 狭くノイズの多い3次元点群からSDF(Signed Distance Function)を学習する際の課題について考察する。 滑らかさの先行性に依存する最近の手法とは対照的に,我々の手法は分散ロバストな最適化(DRO)フレームワークに根ざし,正規化項を組み込んでいる。 本研究では,SDFの安定かつ効率的な最適化を実現するための枠組みであることを示す。
• 参考スコア（独自算出の注目度）: 7.794399839830819
• License:
• Abstract: We consider the challenging problem of learning Signed Distance Functions (SDF) from sparse and noisy 3D point clouds. In contrast to recent methods that depend on smoothness priors, our method, rooted in a distributionally robust optimization (DRO) framework, incorporates a regularization term that leverages samples from the uncertainty regions of the model to improve the learned SDFs. Thanks to tractable dual formulations, we show that this framework enables a stable and efficient optimization of SDFs in the absence of ground truth supervision. Using a variety of synthetic and real data evaluations from different modalities, we show that our DRO based learning framework can improve SDF learning with respect to baselines and the state-of-the-art methods.
• Abstract（参考訳）: 狭くノイズの多い3次元点群からSDF(Signed Distance Function)を学習する際の課題について考察する。 滑らかさの先行性に依存する最近の手法とは対照的に,我々の手法は分散ロバストな最適化(DRO)フレームワークに根ざし,モデルの不確実性領域からのサンプルを活用して学習されたSDFを改善する正規化用語を取り入れている。 抽出可能な2つの定式化により,本フレームワークは,地上の真理監督がない場合に,SDFの安定かつ効率的な最適化を可能にすることを示す。 そこで本研究では,DROに基づく学習フレームワークが,ベースラインや最先端手法に関して,SDF学習を改善することができることを示す。

関連論文リスト

• Advancing Super-Resolution in Neural Radiance Fields via Variational Diffusion Strategies [0.0]
  本稿では,ニューラルレンダリングにおけるビュー一貫性超解像(SR)のための拡散誘導フレームワークを提案する。 提案手法は,既存の2次元SRモデルと,変分スコア蒸留(VSD)やLoRAファインチューニングヘルパなどの高度な技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-10-22T00:02:26Z)
• Few-Shot Unsupervised Implicit Neural Shape Representation Learning with Spatial Adversaries [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 3次元形状表現の領域内では、ニューラルネットワーク符号距離関数(SDF)は複雑な形状幾何を忠実に符号化する顕著な可能性を示している。
  論文  参考訳（メタデータ） (2024-08-27T14:54:33Z)
• Learning with Unreliability: Fast Few-shot Voxel Radiance Fields with Relative Geometric Consistency [36.48738653227518]
  本稿では,数発の放射場に対するボクセルに基づく最適化フレームワークReVoRFを提案する。 本手法は, 隣接する地域での相対深度関係が, 隠蔽領域の絶対色値よりも信頼性が高いという知見に基づく。 提案手法は,3FPSのレンダリング速度3分,360円のシーンをトレーニングするための7分,PSNRを既存の数ショット法よりも5%改善するなど,効率と精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-26T12:17:46Z)
• Scalable Distributional Robustness in a Class of Non Convex Optimization with Guarantees [7.541571634887807]
  分散ロバスト最適化 (DRO) は, サンプルベース問題と同様に, 学習におけるロバスト性を示す。 実世界における課題を解くのに十分ではない混合整数クラスタリングプログラム (MISOCP) を提案する。
  論文  参考訳（メタデータ） (2022-05-31T09:07:01Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)
• Residuals-based distributionally robust optimization with covariate information [0.0]
  我々は、分散ロバスト最適化(DRO)における機械学習予測モデルを統合するデータ駆動アプローチを検討する。 私たちのフレームワークは、さまざまな学習設定やDROあいまいさセットに対応できるという意味で柔軟です。
  論文  参考訳（メタデータ） (2020-12-02T11:21:34Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)
• Deep Reinforcement Learning with Robust and Smooth Policy [90.78795857181727]
  我々は、国家に対して円滑に振る舞う円滑な政策を学ぶことを提案する。 textbfSmooth textbfRegularized textbfReinforcement textbfLearning(textbfSR2textbfL$)という新しいフレームワークを開発し、スムーズな正規化によってポリシーを訓練する。 このような正規化は、探索空間を効果的に制限し、学習ポリシーの滑らかさを強制する。
  論文  参考訳（メタデータ） (2020-03-21T00:10:29Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)
• Stabilizing Differentiable Architecture Search via Perturbation-based Regularization [99.81980366552408]
  最終アーキテクチャを蒸留する際の劇的な性能低下につながる急激なバリデーション損失の状況は、不安定を引き起こす重要な要因であることがわかった。 本研究では,DARTSに基づく手法の汎用性の向上と損失景観の円滑化を図るため,摂動型正規化(SmoothDARTS)を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:46:58Z)

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。