論文の概要: Shape Generation via Weight Space Learning

• arxiv url: http://arxiv.org/abs/2503.21830v1
• Date: Wed, 26 Mar 2025 15:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:32:07.997036
• Title: Shape Generation via Weight Space Learning
• Title（参考訳）: 重み空間学習による形状生成
• Authors: Maximilian Plattner, Arturs Berzins, Johannes Brandstetter,
• Abstract要約: 大規模な3次元形状生成モデル内の部分多様体は、トポロジカルな特性や微細な部分の特徴を別々に調整できることを示す。 結果は3次元形状生成と特殊微調整のための新しいアプローチを解き放つための重み空間学習の可能性を強調した。
• 参考スコア（独自算出の注目度）: 12.429026910048528
• License:
• Abstract: Foundation models for 3D shape generation have recently shown a remarkable capacity to encode rich geometric priors across both global and local dimensions. However, leveraging these priors for downstream tasks can be challenging as real-world data are often scarce or noisy, and traditional fine-tuning can lead to catastrophic forgetting. In this work, we treat the weight space of a large 3D shape-generative model as a data modality that can be explored directly. We hypothesize that submanifolds within this high-dimensional weight space can modulate topological properties or fine-grained part features separately, demonstrating early-stage evidence via two experiments. First, we observe a sharp phase transition in global connectivity when interpolating in conditioning space, suggesting that small changes in weight space can drastically alter topology. Second, we show that low-dimensional reparameterizations yield controlled local geometry changes even with very limited data. These results highlight the potential of weight space learning to unlock new approaches for 3D shape generation and specialized fine-tuning.
• Abstract（参考訳）: 3次元形状生成の基礎モデルは、最近グローバル次元と局所次元の両方にわたってリッチな幾何学的先行を符号化する顕著な能力を示している。 しかし、これらの先例を下流のタスクに活用することは、現実のデータが乏しい、あるいは騒がしい場合が多く、従来の微調整は破滅的な忘れを招きかねない。 本研究では,3次元形状生成モデルの重み空間をデータモダリティとして扱う。 この高次元の重み空間内の部分多様体は、トポロジカルな性質や微細な部分の特徴を別々に変調し、初期の証拠を2つの実験で証明できるという仮説を立てる。 まず,コンディショニング空間における補間における大域的接続の急激な位相遷移を観察し,重み空間の小さな変化がトポロジーを劇的に変化させることを示唆した。 第2に、低次元再パラメータ化は、非常に限られたデータであっても、制御された局所幾何学的変化をもたらすことを示す。 これらの結果は、3次元形状生成と特殊微調整のための新しいアプローチを解き放つための重み空間学習の可能性を強調している。

関連論文リスト

• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Maintaining Structural Integrity in Parameter Spaces for Parameter Efficient Fine-tuning [78.39310274926535]
  さまざまな下流タスクに事前訓練された基礎モデルを適応させることは、人工知能において一般的である。 これを軽減するために、事前訓練されたモデルの重みをより資源効率の良い方法で更新するために、いくつかの微調整技術が開発されている。 本稿では,多次元パラメータ空間用に設計された一般化されたパラメータ効率の微調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T16:04:42Z)
• Non-rigid Structure-from-Motion: Temporally-smooth Procrustean Alignment and Spatially-variant Deformation Modeling [34.606331252248886]
  非剛性構造移動(NRSfM)の研究が盛んに行われ、大きな進展が見られた。 広範に現実世界のアプリケーションを妨げる重要な課題はまだ残っている。 本稿では,空間時間モデルの観点から,上記の課題を解決することを提案する。
  論文  参考訳（メタデータ） (2024-05-07T13:33:50Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)
• 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。

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。