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

• arxiv url: http://arxiv.org/abs/2505.13812v2
• Date: Wed, 10 Sep 2025 14:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 17:24:19.7916
• 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: データ駆動方式に物理駆動機構を導入し,点雲の微細な特徴を学習する。 データ駆動型暗黙フィールドの幾何モデリング能力と物理駆動型弾性変形を組み合わせたデュアルタスク・エンコーダ・デコーダ・フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 10.287271928044033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing point cloud representation learning methods primarily rely on data-driven strategies to extract geometric information from large amounts of scattered data. However, most methods focus solely on the spatial distribution features of point clouds while overlooking the relationship between local information and the whole structure, which limits the accuracy of point cloud representation. Local information 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 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 features. Therefore, the appropriate introduction of physics-driven mechanism can effectively compensate for the limitations of data-driven methods in structural modeling and significantly enhance the generalization and interpretability of point cloud representations in downstream tasks such as understanding and recognition. Inspired by this, we incorporate a physics-driven mechanism into the data-driven method to learn fine-grained features in point clouds and model the structural relationship between local regions and the whole shape. Specifically, we design a dual-task encoder-decoder framework that combines the geometric modeling capability of data-driven implicit fields with physics-driven elastic deformation. Through the integration of physics-based loss functions, the framework is guided to predict localized deformation and explicitly capture the correspondence between local structural changes and whole shape variations. Experimental results show that our method outperforms existing approaches in object classification and segmentation, demonstrating its effectiveness.
• Abstract（参考訳）: 既存のクラウド表現学習法は主に、大量の散在するデータから幾何学的情報を抽出するデータ駆動型戦略に依存している。 しかし、ほとんどの手法は、局所情報と点雲表現の精度を制限する構造全体との関係を見越しながら、点雲の空間分布の特徴にのみ焦点を当てている。 局所情報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。 現実世界では、物体は外部力の下で変形し、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、物体の幾何学的特徴を変化させる。 したがって、物理駆動機構の適切な導入は、構造モデリングにおけるデータ駆動手法の限界を効果的に補償することができ、理解や認識などの下流タスクにおける点雲表現の一般化と解釈可能性を大幅に向上させることができる。 これに着想を得た物理駆動機構をデータ駆動方式に組み込んで,点雲の微細な特徴を学習し,局所領域と全体形状の構造的関係をモデル化する。 具体的には、データ駆動型暗黙フィールドの幾何モデリング能力と物理駆動型弾性変形を組み合わせたデュアルタスク・エンコーダ・デコーダ・フレームワークを設計する。 物理に基づく損失関数の統合により、このフレームワークは局所的な変形を予測し、局所的な構造変化と全体の形状変化との対応を明示的に捉える。 実験結果から,本手法はオブジェクト分類や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)
• 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)
• 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)
• 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。