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 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)
• 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)
• 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)
• 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)
• 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)
• 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。