論文の概要: Learning Fine-to-Coarse Cuboid Shape Abstraction
- arxiv url: http://arxiv.org/abs/2502.01855v1
- Date: Mon, 03 Feb 2025 22:06:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:56:43.702379
- Title: Learning Fine-to-Coarse Cuboid Shape Abstraction
- Title(参考訳): 微細・粗大な立方体形状抽象化の学習
- Authors: Gregor Kobsik, Morten Henkel, Yanjiang He, Victor Czech, Tim Elsner, Isaak Lim, Leif Kobbelt,
- Abstract要約: 立方体のような単純な幾何学的原始体による3Dオブジェクトの抽象化は、複雑な幾何学から構造情報を推測することができる。
そこで我々は,3次元形状の抽象的な収集のための非教師なし学習手法を新たに導入した。
以上の結果から,従来の立方体形状の抽象化技術よりも優れた結果が得られた。
- 参考スコア(独自算出の注目度): 7.152103069753289
- License:
- Abstract: The abstraction of 3D objects with simple geometric primitives like cuboids allows to infer structural information from complex geometry. It is important for 3D shape understanding, structural analysis and geometric modeling. We introduce a novel fine-to-coarse unsupervised learning approach to abstract collections of 3D shapes. Our architectural design allows us to reduce the number of primitives from hundreds (fine reconstruction) to only a few (coarse abstraction) during training. This allows our network to optimize the reconstruction error and adhere to a user-specified number of primitives per shape while simultaneously learning a consistent structure across the whole collection of data. We achieve this through our abstraction loss formulation which increasingly penalizes redundant primitives. Furthermore, we introduce a reconstruction loss formulation to account not only for surface approximation but also volume preservation. Combining both contributions allows us to represent 3D shapes more precisely with fewer cuboid primitives than previous work. We evaluate our method on collections of man-made and humanoid shapes comparing with previous state-of-the-art learning methods on commonly used benchmarks. Our results confirm an improvement over previous cuboid-based shape abstraction techniques. Furthermore, we demonstrate our cuboid abstraction in downstream tasks like clustering, retrieval, and partial symmetry detection.
- Abstract(参考訳): 立方体のような単純な幾何学的原始体による3Dオブジェクトの抽象化は、複雑な幾何学から構造情報を推測することができる。
3次元形状理解、構造解析、幾何モデリングにおいて重要である。
そこで我々は,3次元形状の抽象的な収集のための非教師なし学習手法を新たに導入した。
私たちのアーキテクチャ設計では、トレーニング中にプリミティブの数を数百(微細な再構築)からわずか(粗い抽象化)に減らすことができます。
これにより、ネットワークは再構成エラーを最適化し、データの集合全体にわたって一貫した構造を同時に学習しながら、ユーザ指定のプリミティブの数に従わせることができる。
これを、冗長なプリミティブをますますペナルティ化する抽象的損失の定式化によって実現します。
さらに、表面近似だけでなく体積保存も考慮した再構成損失定式化を導入する。
両方のコントリビューションを組み合わせることで、以前の作業よりもキュービイドプリミティブを少なくして、より正確に3D形状を表現できます。
人造・ヒューマノイド形状の収集に関する本手法を,一般的なベンチマークにおける従来の最先端の学習手法と比較した。
以上の結果から,従来の立方体形状の抽象化技術よりも優れた結果が得られた。
さらに、クラスタリング、検索、部分対称性検出などの下流タスクにおいて、我々の立方体抽象化を実証する。
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) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-06-10T08:32:57Z) - ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。
形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。
本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
論文 参考訳(メタデータ) (2022-05-27T00:01:40Z) - Primitive-based Shape Abstraction via Nonparametric Bayesian Inference [29.7543198254021]
本稿では,未知数の幾何学的プリミティブからなる抽象化を点雲から推論する,新しい非パラメトリックベイズ統計法を提案する。
提案手法は精度において最先端の手法より優れており,様々な種類のオブジェクトに対して一般化可能である。
論文 参考訳(メタデータ) (2022-03-28T13:00:06Z) - 3DIAS: 3D Shape Reconstruction with Implicit Algebraic Surfaces [45.18497913809082]
原始的ベース表現は、主に単純な暗黙的プリミティブの集合によって3次元形状を近似する。
学習可能な係数がほとんどなく、より高度な幾何学的複素量を持つ原始曲面として、制約付き暗黙的代数曲面を提案する。
本手法は,教師なしの方法で3次元形状のセグメントを意味的に学習することができる。
論文 参考訳(メタデータ) (2021-08-19T12:34:28Z) - Unsupervised Learning for Cuboid Shape Abstraction via Joint
Segmentation from Point Clouds [8.156355030558172]
複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。
本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
論文 参考訳(メタデータ) (2021-06-07T09:15:16Z) - Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible
Neural Networks [118.20778308823779]
Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。
私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
論文 参考訳(メタデータ) (2021-03-18T17:59:31Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳(メタデータ) (2020-04-02T17:58:05Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z) - Convolutional Occupancy Networks [88.48287716452002]
本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。
畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。
実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
論文 参考訳(メタデータ) (2020-03-10T10:17:07Z)
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。