Fugu-MT 論文翻訳(概要): Neural Clustering for Prefractured Mesh Generation in Real-time Object Destruction

論文の概要: Neural Clustering for Prefractured Mesh Generation in Real-time Object Destruction

arxiv url: http://arxiv.org/abs/2502.04615v1
Date: Fri, 07 Feb 2025 02:24:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-10 14:55:51.416255
Title: Neural Clustering for Prefractured Mesh Generation in Real-time Object Destruction
Title（参考訳）: リアルタイム物体破壊における予測メッシュ生成のためのニューラルクラスタリング
Authors: Seunghwan Kim, Sunha Park, Seungkyu Lee,
Abstract要約: プレフラクチャー法は実時間オブジェクトの破壊を行うための実用的な実装であり、性能制約の中ではほとんど達成できない。そこで本研究では,プレフラクチャドメッシュ生成のクラスタリングを,ポイントクラウドデータ上の非順序セグメンテーションとしてアプローチする。我々の新しいパラダイムは、制限された対象の構造的弱さを予測し、目覚ましい品質で使い勝手の良い結果を示す。
参考スコア（独自算出の注目度）: 3.4193390374170205
License:
Abstract: Prefracture method is a practical implementation for real-time object destruction that is hardly achievable within performance constraints, but can produce unrealistic results due to its heuristic nature. To mitigate it, we approach the clustering of prefractured mesh generation as an unordered segmentation on point cloud data, and propose leveraging the deep neural network trained on a physics-based dataset. Our novel paradigm successfully predicts the structural weakness of object that have been limited, exhibiting ready-to-use results with remarkable quality.
Abstract（参考訳）: プレフラクチャー法は実時間オブジェクト破壊の実践的実装であり、性能制約では達成できないが、そのヒューリスティックな性質から非現実的な結果が得られる。そこで本研究では,プレフラクチャドメッシュ生成のクラスタリングを,ポイントクラウドデータ上の非順序セグメンテーションとしてアプローチし,物理ベースのデータセットに基づいてトレーニングされたディープニューラルネットワークの活用を提案する。我々の新しいパラダイムは、制限された対象の構造的弱さを予測し、目覚ましい品質で使い勝手の良い結果を示す。

関連論文リスト

Doubly Robust Causal Effect Estimation under Networked Interference via Targeted Learning [24.63284452991301]
ネットワーク干渉下での2つの頑健な因果効果推定器を提案する。具体的には,対象とする学習手法をネットワーク干渉設定に一般化する。我々は、同定された理論条件を目標損失に変換することによって、エンドツーエンドの因果効果推定器を考案する。
論文参考訳（メタデータ） (2024-05-06T10:49:51Z)
LEAT: Towards Robust Deepfake Disruption in Real-World Scenarios via Latent Ensemble Attack [11.764601181046496]
生成モデルによって作成された悪意のある視覚コンテンツであるディープフェイクは、社会にますます有害な脅威をもたらす。近年のディープフェイクの損傷を積極的に軽減するために, 逆方向の摂動を用いてディープフェイクモデルの出力を妨害する研究が進められている。そこで本研究では,Latent Ensemble ATtack (LEAT) と呼ばれる簡易かつ効果的なディスラプション手法を提案する。
論文参考訳（メタデータ） (2023-07-04T07:00:37Z)
Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
論文参考訳（メタデータ） (2023-02-02T21:41:59Z)
Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-06-08T04:09:13Z)
Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
論文参考訳（メタデータ） (2022-01-24T16:55:56Z)
Meta Adversarial Perturbations [66.43754467275967]
メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
論文参考訳（メタデータ） (2021-11-19T16:01:45Z)
An Unconstrained Layer-Peeled Perspective on Neural Collapse [20.75423143311858]
非拘束層列モデル (ULPM) と呼ばれるサロゲートモデルを導入する。このモデル上の勾配流は、その大域的最小化器における神経崩壊を示す最小ノルム分離問題の臨界点に収束することを示す。また,本研究の結果は,実世界のタスクにおけるニューラルネットワークのトレーニングにおいて,明示的な正規化や重み劣化が使用されない場合にも有効であることを示す。
論文参考訳（メタデータ） (2021-10-06T14:18:47Z)
Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
論文参考訳（メタデータ） (2021-06-18T16:34:23Z)
Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文参考訳（メタデータ） (2020-12-03T10:17:30Z)
Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文参考訳（メタデータ） (2020-11-18T18:52:08Z)

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。