論文の概要: Physics-Driven Local-Whole Elastic Deformation Modeling for Point Cloud Representation Learning

• arxiv url: http://arxiv.org/abs/2505.13812v1
• Date: Tue, 20 May 2025 01:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.590887
• Title: Physics-Driven Local-Whole Elastic Deformation Modeling for Point Cloud Representation Learning
• Title（参考訳）: ポイントクラウド表現学習のための物理駆動局所ホール弾性変形モデリング
• Authors: Zhongyu Chen, Rong Zhao, Xie Han, Xindong Guo, Song Wang, Zherui Qiao,
• Abstract要約: 本稿では,点クラウド表現のための物理駆動型自己教師型学習手法を提案する。 我々は、暗黙の場の幾何学的モデリング能力と物理駆動の弾性変形を統合したデュアルタスク・エンコーダ・デコーダ・フレームワークを用いる。 実験結果から,本手法はオブジェクト分類,少数ショット学習,セグメンテーションにおいて,既存の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 9.03611173756881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing point cloud representation learning tend to learning the geometric distribution of objects through data-driven approaches, emphasizing structural features while overlooking the relationship between the local information and the whole structure. Local features reflect the fine-grained variations of an object, while the whole structure is determined by the interaction and combination of these local features, collectively defining the object's shape. In real-world, objects undergo elastic deformation under external forces, and this deformation gradually affects the whole structure through the propagation of forces from local regions, thereby altering the object's geometric properties. Inspired by this, we propose a physics-driven self-supervised learning method for point cloud representation, which captures the relationship between parts and the whole by constructing a local-whole force propagation mechanism. Specifically, we employ a dual-task encoder-decoder framework, integrating the geometric modeling capability of implicit fields with physics-driven elastic deformation. The encoder extracts features from the point cloud and its tetrahedral mesh representation, capturing both geometric and physical properties. These features are then fed into two decoders: one learns the whole geometric shape of the point cloud through an implicit field, while the other predicts local deformations using two specifically designed physics information loss functions, modeling the deformation relationship between local and whole shapes. Experimental results show that our method outperforms existing approaches in object classification, few-shot learning, and segmentation, demonstrating its effectiveness.
• Abstract（参考訳）: 既存のクラウド表現学習は、データ駆動アプローチを通じてオブジェクトの幾何学的分布を学習し、局所情報と全体構造との関係を見越しながら構造的特徴を強調する傾向にある。 局所的な特徴はオブジェクトのきめ細かい変化を反映し、全体構造はこれらの局所的な特徴の相互作用と組み合わせによって決定され、オブジェクトの形状を集合的に定義する。 実世界では、物体は外部力の下で弾性変形し、この変形は局所的な領域からの力の伝播を通じて構造全体に徐々に影響を与え、物体の幾何学的性質を変化させる。 そこで本研究では,局所的な力伝達機構を構築することで,部分と全体との関係を捉える,点雲表現のための物理駆動型自己教師型学習手法を提案する。 具体的には、暗黙フィールドの幾何学的モデリング能力と物理駆動の弾性変形を統合するために、デュアルタスク・エンコーダ・デコーダ・フレームワークを用いる。 エンコーダは点雲とその四面体メッシュ表現から特徴を抽出し、幾何学的および物理的特性の両方をキャプチャする。 これらの特徴は2つのデコーダに伝達される: 1つは暗黙の場を通して点雲の幾何学的形状を学習し、もう1つは特殊に設計された2つの物理情報損失関数を用いて局所的な変形を予測し、局所的および全体的形状間の変形関係をモデル化する。 実験の結果,本手法はオブジェクト分類,少数ショット学習,セグメンテーションにおいて既存の手法よりも優れており,その有効性が示された。

関連論文リスト

• Learning Deformable Body Interactions With Adaptive Spatial Tokenization [7.74274240680049]
  変形可能な物体間の相互作用のシミュレーションは、材料科学、機械設計、ロボット工学などの分野において不可欠である。 オブジェクト間の相互作用をモデル化するには、ペアワイズなグローバルエッジを動的に作成する必要がある。 物理的状態の効率的な表現のための適応的空間トークン化(AST)手法を提案する。
  論文  参考訳（メタデータ） (2025-07-18T07:27:35Z)
• Learning Shape-Independent Transformation via Spherical Representations for Category-Level Object Pose Estimation [42.48001557547222]
  カテゴリーレベルのオブジェクトポーズ推定は、特定のカテゴリにおける新しいオブジェクトのポーズとサイズを決定することを目的としている。 既存の対応に基づくアプローチは、通常、原始的な観測点と正規化されたオブジェクト座標の間の対応を確立するために点ベースの表現を採用する。 SpherePoseと呼ばれる新しいアーキテクチャを導入し、3つのコア設計を通して正確な対応予測を行う。
  論文  参考訳（メタデータ） (2025-03-18T05:43:42Z)
• 4Deform: Neural Surface Deformation for Robust Shape Interpolation [47.47045870313048]
  本研究では,非構造化データにおける非剛性変形形状間の中間形状を現実的に生成するための新しい手法を開発した。 本手法はユークリッド空間における連続速度場を学習し,訓練中に中間形状の監視を必要としない。 提案手法は, 4次元Kinectシークエンスアップサンプリングや実世界の高分解能メッシュ変形などの新しいアプリケーションを実現する。
  論文  参考訳（メタデータ） (2025-02-27T15:47:49Z)
• DV-Matcher: Deformation-based Non-Rigid Point Cloud Matching Guided by Pre-trained Visual Features [1.3030624795284795]
  DV-Matcherは、非剛性変形点雲間の密接な対応を推定するための学習ベースのフレームワークである。 実験結果から,本手法は非剛性点雲をほぼ等尺形状と異質形状の両方で整合させることで,最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• Interior Object Geometry via Fitted Frames [18.564031163436553]
  本稿では,対象集団内での強い位置対応を実現するために,解剖学的対象を対象とする表現について述べる。 本手法は, 境界面および物体内部に嵌合したフレームを生成し, それらからアライメントフリーな幾何学的特徴を生成する。
  論文  参考訳（メタデータ） (2024-07-19T14:38:47Z)
• CanFields: Consolidating 4D Dynamic Shapes from Raw Scans [12.221737707194261]
  CanFields (Canonical Consolidation Fields, CanFields) は、独立に捕獲された3Dスキャンの時系列を単一のコヒーレントな変形形状に再構成する新しい手法である。 CanFieldsは、2つの幾何学的前提を組み込むことで、教師なしの方法で幾何学と変形を効果的に学習する。 各種生スキャンにおけるCanFieldsのロバスト性と精度を検証し,欠落した領域,スパースフレーム,ノイズにおいても優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-05T17:07:55Z)
• Point-Level Topological Representation Learning on Point Clouds [5.079602839359521]
  複素点雲からノードレベルの位相的特徴を抽出する新しい手法を提案する。 我々は,これらのトポロジ的特徴が合成データと実世界のデータの両方に与える影響を検証する。
  論文  参考訳（メタデータ） (2024-06-04T13:29:12Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• ShapeMatcher: Self-Supervised Joint Shape Canonicalization, Segmentation, Retrieval and Deformation [47.94499636697971]
  本稿では,関節形状の正準化,分節化,検索,変形を行うための自己教師型学習フレームワークであるShapeMatcherを提案する。 ShapeMakerの重要な洞察は、標準化、セグメンテーション、検索、変形という4つの高関連プロセスの同時トレーニングである。
  論文  参考訳（メタデータ） (2023-11-18T15:44:57Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
  トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。 我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
  論文  参考訳（メタデータ） (2022-11-07T14:52:58Z)
• Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
  フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。 本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。 フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:04:17Z)
• Bending Graphs: Hierarchical Shape Matching using Gated Optimal Transport [80.64516377977183]
  形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。 局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。 本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
  論文  参考訳（メタデータ） (2022-02-03T11:41:46Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• OMAD: Object Model with Articulated Deformations for Pose Estimation and Retrieval [46.813224754603866]
  本稿では,調音対象を明示的にモデル化するために,Articulated deformations (OMAD) を用いたオブジェクトモデルというカテゴリ固有表現を提案する。 対象の形状と結合状態の完全な表現により,カテゴリレベルのオブジェクトポーズ推定や明瞭なオブジェクト検索など,いくつかの課題に対処できる。
  論文  参考訳（メタデータ） (2021-12-14T12:45:49Z)
• Geometry-Aware Self-Training for Unsupervised Domain Adaptationon Object Point Clouds [36.49322708074682]
  本稿では,オブジェクトポイントクラウド分類の教師なし領域適応のためのジオメトリ・アウェア・セルフトレーニング(GAST)を提案する。 具体的には,2つの自己監督型幾何学的学習タスクを特徴正規化として,意味カテゴリーのドメイン共有表現を学習することを目的とする。 一方、データセット間の多様な点分布は、新しい曲率認識歪みの局所化によって正規化することができる。
  論文  参考訳（メタデータ） (2021-08-20T13:29:11Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。