Fugu-MT 論文翻訳(概要): DMD-Net: Deep Mesh Denoising Network

論文の概要: DMD-Net: Deep Mesh Denoising Network

arxiv url: http://arxiv.org/abs/2506.22850v1
Date: Sat, 28 Jun 2025 11:13:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.600519
Title: DMD-Net: Deep Mesh Denoising Network
Title（参考訳）: DMD-Net:Deep Mesh Denoising Network
Authors: Aalok Gangopadhyay, Shashikant Verma, Shanmuganathan Raman,
Abstract要約: DMD-Netはエンドツーエンドのディープラーニングフレームワークであり,メッシュデノケーション問題を解決するためのフレームワークである。 DMD-Netは、原始グラフと双対グラフの両方で集約を行うグラフ畳み込みニューラルネットワークで構成されている。提案手法は,最先端メッシュデノケーションアルゴリズムと比較して,競争力や優れた結果が得られることを示す。
参考スコア（独自算出の注目度）: 16.576983459630267
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present Deep Mesh Denoising Network (DMD-Net), an end-to-end deep learning framework, for solving the mesh denoising problem. DMD-Net consists of a Graph Convolutional Neural Network in which aggregation is performed in both the primal as well as the dual graph. This is realized in the form of an asymmetric two-stream network, which contains a primal-dual fusion block that enables communication between the primal-stream and the dual-stream. We develop a Feature Guided Transformer (FGT) paradigm, which consists of a feature extractor, a transformer, and a denoiser. The feature extractor estimates the local features, that guide the transformer to compute a transformation, which is applied to the noisy input mesh to obtain a useful intermediate representation. This is further processed by the denoiser to obtain the denoised mesh. Our network is trained on a large scale dataset of 3D objects. We perform exhaustive ablation studies to demonstrate that each component in our network is essential for obtaining the best performance. We show that our method obtains competitive or better results when compared with the state-of-the-art mesh denoising algorithms. We demonstrate that our method is robust to various kinds of noise. We observe that even in the presence of extremely high noise, our method achieves excellent performance.
Abstract（参考訳）: 本稿では、メッシュデノイング問題を解決するために、エンドツーエンドのディープラーニングフレームワークであるDeep Mesh Denoising Network(DMD-Net)を紹介する。 DMD-Netは、原始グラフと双対グラフの両方で集約を行うグラフ畳み込みニューラルネットワークで構成されている。これは、原始二元融合ブロックを含む非対称二元流ネットワークの形で実現され、原始二元流と双対流の通信を可能にする。本研究では,特徴抽出器,変換器,デノイザから構成される特徴案内変換器(FGT)のパラダイムを開発する。特徴抽出器は、変換器を誘導して変換を演算する局所的特徴を推定し、ノイズの多い入力メッシュに適用して有用な中間表現を得る。これはさらにデノイザによって処理され、デノイザメッシュを得る。我々のネットワークは3Dオブジェクトの大規模なデータセットに基づいて訓練されている。我々は、ネットワークの各コンポーネントが最高のパフォーマンスを得るために不可欠であることを示すために、徹底的なアブレーション研究を実施している。提案手法は,最先端メッシュデノケーションアルゴリズムと比較して,競争力や優れた結果が得られることを示す。本手法は各種ノイズに対して頑健であることを示す。極めて高いノイズが存在する場合でも,本手法は優れた性能を発揮する。

関連論文リスト

Double-Shot 3D Shape Measurement with a Dual-Branch Network for Structured Light Projection Profilometry [14.749887303860717]
我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。 PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できる。
論文参考訳（メタデータ） (2024-07-19T10:49:26Z)
Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文参考訳（メタデータ） (2024-05-10T15:27:43Z)
Integrating Graph Neural Networks with Scattering Transform for Anomaly Detection [0.0]
グラフニューラルネットワーク(GNN)を用いたネットワーク侵入検知システム(NIDS)における2つの新しい手法を提案する。最初のアプローチであるScattering Transform with E-GraphSAGE (STEG)は、散乱変換を用いてエッジ特徴ベクトルの多重分解能解析を行う。第2のアプローチでは、ノード表現をNode2Vecで開始することで改善し、統一値を使用する標準的な方法から逸脱する。
論文参考訳（メタデータ） (2024-04-16T00:02:12Z)
TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
論文参考訳（メタデータ） (2023-10-30T09:35:56Z)
Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文参考訳（メタデータ） (2023-05-06T13:28:20Z)
Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文参考訳（メタデータ） (2022-10-17T06:29:07Z)
GridDehazeNet+: An Enhanced Multi-Scale Network with Intra-Task Knowledge Transfer for Single Image Dehazing [12.982905875008214]
GridDehazeNet+と呼ばれる強化されたマルチスケールネットワークを提案します。プリプロセス、バックボーン、後処理の3つのモジュールで構成されている。
論文参考訳（メタデータ） (2021-03-25T17:35:36Z)
Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文参考訳（メタデータ） (2020-10-23T14:49:02Z)
Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文参考訳（メタデータ） (2020-08-25T06:00:06Z)

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。