論文の概要: Stable-SCore: A Stable Registration-based Framework for 3D Shape Correspondence

• arxiv url: http://arxiv.org/abs/2503.21766v1
• Date: Thu, 27 Mar 2025 17:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 12:54:17.868437
• Title: Stable-SCore: A Stable Registration-based Framework for 3D Shape Correspondence
• Title（参考訳）: Stable-SCore: 3次元形状対応のための安定レジストレーションベースのフレームワーク
• Authors: Haolin Liu, Xiaohang Zhan, Zizheng Yan, Zhongjin Luo, Yuxin Wen, Xiaoguang Han,
• Abstract要約: 本稿では,3次元形状対応のための安定登録型フレームワークであるStable-SCoreを紹介する。 まず,信頼性と安定した2次元マッピングを実現する2次元文字対応基盤モデルについて検討する。 本稿では,メッシュ変形をガイドする2次元対応を利用したセマンティックフローガイドレジストレーション手法を提案する。
• 参考スコア（独自算出の注目度）: 29.202025057219156
• License:
• Abstract: Establishing character shape correspondence is a critical and fundamental task in computer vision and graphics, with diverse applications including re-topology, attribute transfer, and shape interpolation. Current dominant functional map methods, while effective in controlled scenarios, struggle in real situations with more complex challenges such as non-isometric shape discrepancies. In response, we revisit registration-for-correspondence methods and tap their potential for more stable shape correspondence estimation. To overcome their common issues including unstable deformations and the necessity for careful pre-alignment or high-quality initial 3D correspondences, we introduce Stable-SCore: A Stable Registration-based Framework for 3D Shape Correspondence. We first re-purpose a foundation model for 2D character correspondence that ensures reliable and stable 2D mappings. Crucially, we propose a novel Semantic Flow Guided Registration approach that leverages 2D correspondence to guide mesh deformations. Our framework significantly surpasses existing methods in challenging scenarios, and brings possibilities for a wide array of real applications, as demonstrated in our results.
• Abstract（参考訳）: 文字形状対応の確立はコンピュータビジョンとグラフィックスにおいて重要かつ基本的な課題であり、再トポロジー、属性転送、形状補間など様々な応用がある。 現在の支配的な関数写像法は、制御されたシナリオでは有効であるが、非等尺形状の相違のようなより複雑な問題で現実の状況に苦しむ。 これに対し, より安定した形状対応推定を行うために, 登録対応手法を再検討し, それらのポテンシャルをタップする。 不安定な変形や、注意深い事前調整や高品質な初期3次元対応の必要性といった共通の問題を克服するために、安定なSCore:3次元形状対応のための安定レジストレーションベースのフレームワークを提案する。 まず,信頼性と安定した2次元マッピングを実現する2次元文字対応基盤モデルについて検討する。 本稿では,メッシュ変形をガイドする2次元対応を利用したセマンティックフローガイドレジストレーション手法を提案する。 我々のフレームワークは、挑戦的なシナリオにおいて既存のメソッドをはるかに上回り、我々の結果に示すように、幅広い実アプリケーションに可能性をもたらします。

関連論文リスト

• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
  非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。 本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
  論文  参考訳（メタデータ） (2023-11-27T09:55:55Z)
• Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
  本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。 我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。 我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-11-08T06:52:57Z)
• Uncertainty-Aware Cross-Modal Transfer Network for Sketch-Based 3D Shape Retrieval [8.765045867163646]
  本稿では,この問題に対処する不確実性を考慮したクロスモーダルトランスファーネットワーク(UACTN)を提案する。 まず、スケッチ機能と不確実性を同時に学習するエンドツーエンドの分類ベースのアプローチを導入する。 そして、3D形状特徴を予め学習したスケッチ埋め込み空間にマッピングして特徴アライメントを行う。
  論文  参考訳（メタデータ） (2023-08-11T05:46:52Z)
• CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
  単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。 近年の研究では、高密度対応型解の大きな可能性を示している。 そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-29T17:30:53Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• CorrNet3D: Unsupervised End-to-end Learning of Dense Correspondence for 3D Point Clouds [48.22275177437932]
  本稿では,3次元形状間の密接な対応を点雲形式で計算する問題に対処する。 CorrNet3Dは、教師なしでエンドツーエンドのディープラーニングベースのフレームワークです。
  論文  参考訳（メタデータ） (2020-12-31T14:55:51Z)
• 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。

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。