論文の概要: CageNet: A Meta-Framework for Learning on Wild Meshes

• arxiv url: http://arxiv.org/abs/2505.18772v1
• Date: Sat, 24 May 2025 16:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.65093
• Title: CageNet: A Meta-Framework for Learning on Wild Meshes
• Title（参考訳）: CageNet: ワイルドメッシュで学ぶためのメタフレームワーク
• Authors: Michal Edelstein, Hsueh-Ti Derek Liu, Mirela Ben-Chen,
• Abstract要約: 本稿では、トライアングルメッシュの汎用フレームワークの適用範囲を広げることを目的としている。 メッシュが与えられた場合、ケージはそれを密に包み込む単一のコンポーネント多様体三角形メッシュである。 我々は,この概念を,難しいデータに対するセグメンテーションとスキンウェイトを学習し,ワイルドメッシュ上でのテクニックの現状に優れたパフォーマンスを実現することによって実証する。
• 参考スコア（独自算出の注目度）: 8.870509474502025
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning on triangle meshes has recently proven to be instrumental to a myriad of tasks, from shape classification, to segmentation, to deformation and animation, to mention just a few. While some of these applications are tackled through neural network architectures which are tailored to the application at hand, many others use generic frameworks for triangle meshes where the only customization required is the modification of the input features and the loss function. Our goal in this paper is to broaden the applicability of these generic frameworks to "wild", i.e. meshes in-the-wild which often have multiple components, non-manifold elements, disrupted connectivity, or a combination of these. We propose a configurable meta-framework based on the concept of caged geometry: Given a mesh, a cage is a single component manifold triangle mesh that envelopes it closely. Generalized barycentric coordinates map between functions on the cage, and functions on the mesh, allowing us to learn and test on a variety of data, in different applications. We demonstrate this concept by learning segmentation and skinning weights on difficult data, achieving better performance to state of the art techniques on wild meshes.
• Abstract（参考訳）: 三角形メッシュの学習は、最近、形状分類、セグメンテーション、変形、アニメーションなど、無数のタスクに役立っていることが証明された。 これらのアプリケーションのいくつかは、手元にあるアプリケーションに適したニューラルネットワークアーキテクチャによって取り組まれているが、多くのアプリケーションは、入力機能と損失関数の修正が唯一のカスタマイズを必要とするトライアングルメッシュのための一般的なフレームワークを使用している。 本論文の目的は,複数のコンポーネント,非マニフォールド要素,接続の破壊,あるいはこれらの組み合わせを多用するメッシュを"ワイルド"する汎用フレームワークの適用範囲を広げることです。 メッシュが与えられた場合、ケージはそれを密に包み込む単一のコンポーネント多様体三角形メッシュである。 一般化されたバリ中心座標は、ケージ上の関数とメッシュ上の関数をマッピングし、さまざまなアプリケーションでさまざまなデータについて学習し、テストすることができます。 この概念は、難しいデータに対してセグメンテーションとスキンウェイトを学習し、ワイルドメッシュの最先端技術よりも優れたパフォーマンスを実現することで実証する。

関連論文リスト

• Deep Polycuboid Fitting for Compact 3D Representation of Indoor Scenes [7.704893245238958]
  本稿では, 深層学習方式を用いて, ポリクボイドを用いて3次元屋内シーンをコンパクトに表現するための新しい枠組みを提案する。 我々のフレームワークは、Replica、ScanNet、iPhoneで撮影されたシーンなど、現実世界の屋内シーンのデータセットによく当てはまる。
  論文  参考訳（メタデータ） (2025-03-19T05:33:28Z)
• WrappingNet: Mesh Autoencoder via Deep Sphere Deformation [10.934595072086324]
  WrappingNetは、異種オブジェクト上の一般メッシュ教師なし学習を可能にする最初のメッシュオートエンコーダである。 メッシュ接続性を表現するためのボトルネックとして,新たなベースグラフが導入されている。 オブジェクト形状を表す共有潜在空間の学習を容易にすることが示されている。
  論文  参考訳（メタデータ） (2023-08-29T16:13:04Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• MetaSets: Meta-Learning on Point Sets for Generalizable Representations [100.5981809166658]
  本稿では,3次元領域一般化(DDG)の新たな課題について検討し,学習過程においてそれらにアクセスすることなく,他の目に見えない点雲の領域にモデルを一般化することを目的とする。 本稿ではメタセットを用いてこの問題に対処することを提案する。メタ学習は、慎重に設計された変換された点集合上の分類タスク群からポイントクラウド表現を抽出する。 実験結果から,MetaSetsは既存の3次元深層学習手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-15T03:24:39Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• PatchNets: Patch-Based Generalizable Deep Implicit 3D Shape Representations [75.42959184226702]
  物体認識訓練のための中級パッチベースサーフェス表現を提案する。 形状や部分点雲の完全化など,新しい表現の応用例をいくつか紹介する。
  論文  参考訳（メタデータ） (2020-08-04T15:34:46Z)
• Deep Geometric Texture Synthesis [83.9404865744028]
  幾何学的テクスチャを合成するための新しい枠組みを提案する。 単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。 我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
  論文  参考訳（メタデータ） (2020-06-30T19:36:38Z)
• MeshWalker: Deep Mesh Understanding by Random Walks [19.594977587417247]
  コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。 本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。 提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-09T15:35:41Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。