論文の概要: GeoCD: A Differential Local Approximation for Geodesic Chamfer Distance

• arxiv url: http://arxiv.org/abs/2506.23478v1
• Date: Mon, 30 Jun 2025 02:53:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.899128
• Title: GeoCD: A Differential Local Approximation for Geodesic Chamfer Distance
• Title（参考訳）: GeoCD:Geodesic Chamfer Distanceの局所近似
• Authors: Pedro Alonso, Tianrui Li, Chongshou Li,
• Abstract要約: Chamfer Distance (CD)は3Dポイントのクラウド学習において広く採用されているメトリクスである。 CDはユークリッド距離のみに依存しており、しばしば3次元形状の内在幾何学を捉えることができない。 三次元ポイントクラウド学習の指標として設計された測地線距離のトポロジ対応近似であるGeoCDを提案する。
• 参考スコア（独自算出の注目度）: 5.433816055788235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chamfer Distance (CD) is a widely adopted metric in 3D point cloud learning due to its simplicity and efficiency. However, it suffers from a fundamental limitation: it relies solely on Euclidean distances, which often fail to capture the intrinsic geometry of 3D shapes. To address this limitation, we propose GeoCD, a topology-aware and fully differentiable approximation of geodesic distance designed to serve as a metric for 3D point cloud learning. Our experiments show that GeoCD consistently improves reconstruction quality over standard CD across various architectures and datasets. We demonstrate this by fine-tuning several models, initially trained with standard CD, using GeoCD. Remarkably, fine-tuning for a single epoch with GeoCD yields significant gains across multiple evaluation metrics.
• Abstract（参考訳）: Chamfer Distance(CD)は、3Dポイントのクラウド学習において、そのシンプルさと効率性から広く採用されているメトリクスである。 ユークリッド距離のみに依存しており、しばしば3次元形状の内在幾何学を捉えることができない。 この制限に対処するために,3Dポイントクラウド学習の指標として設計された測地線距離のトポロジ対応で完全に微分可能な近似であるGeoCDを提案する。 実験の結果,GeoCDは様々なアーキテクチャやデータセットをまたいで,標準CDよりも再現性の向上を実現していることがわかった。 筆者らはGeoCDを用いて,まず標準CDで訓練された複数のモデルを微調整することによってこれを実証した。 注目すべきは、単一エポックのGeoCDによる微調整は、複数の評価指標に対して大きな利益をもたらすことだ。

関連論文リスト

• GeoCalib: Learning Single-image Calibration with Geometric Optimization [89.84142934465685]
  単一の画像から視覚的な手がかりは、焦点距離や重力方向などの内在的および外在的なカメラパラメータを推定するのに役立ちます。 この問題に対する現在のアプローチは、行と消滅点を持つ古典幾何学か、エンドツーエンドで訓練されたディープニューラルネットワークに基づいている。 最適化プロセスを通じて3次元幾何学の普遍的な規則を利用するディープニューラルネットワークであるGeoCalibを紹介する。
  論文  参考訳（メタデータ） (2024-09-10T17:59:55Z)
• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Geodesic-HOF: 3D Reconstruction Without Cutting Corners [42.4960665928525]
  シングルビュー3Dオブジェクト再構成は、コンピュータビジョンの難しい根本的な問題である。 標準サンプリング領域から高次元空間への画像条件付き写像関数を学習する。 この学習された測地線埋め込み空間は、教師なしオブジェクト分解のようなアプリケーションに有用な情報を提供する。
  論文  参考訳（メタデータ） (2020-06-14T18:59:06Z)
• GeoConv: Geodesic Guided Convolution for Facial Action Unit Recognition [43.22337514214676]
  AU認識のための新しい測地ガイド型畳み込み(GeoConv)を提案する。 我々はさらに、AU認識のためのGeoCNNというエンドツーエンドのトレーニング可能なフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-03-06T07:05:46Z)

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。