論文の概要: DiffuMatch: Category-Agnostic Spectral Diffusion Priors for Robust Non-rigid Shape Matching
- arxiv url: http://arxiv.org/abs/2507.23715v1
- Date: Thu, 31 Jul 2025 16:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:10.124461
- Title: DiffuMatch: Category-Agnostic Spectral Diffusion Priors for Robust Non-rigid Shape Matching
- Title（参考訳）: DiffuMatch:ロバストな非剛形形状マッチングにおけるカテゴリー非依存スペクトル拡散
- Authors: Emery Pierson, Lei Li, Angela Dai, Maks Ovsjanikov,
- Abstract要約: ネットワーク内正規化と関数型マップトレーニングの両方をデータ駆動方式に置き換えることができることを示す。
まず、スコアベース生成モデルを用いてスペクトル領域における関数写像の生成モデルを訓練する。
次に、得られたモデルを利用して、新しい形状コレクション上の基底真理汎関数写像の構造的特性を促進する。
- 参考スコア（独自算出の注目度）: 53.39693288324375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep functional maps have recently emerged as a powerful tool for solving non-rigid shape correspondence tasks. Methods that use this approach combine the power and flexibility of the functional map framework, with data-driven learning for improved accuracy and generality. However, most existing methods in this area restrict the learning aspect only to the feature functions and still rely on axiomatic modeling for formulating the training loss or for functional map regularization inside the networks. This limits both the accuracy and the applicability of the resulting approaches only to scenarios where assumptions of the axiomatic models hold. In this work, we show, for the first time, that both in-network regularization and functional map training can be replaced with data-driven methods. For this, we first train a generative model of functional maps in the spectral domain using score-based generative modeling, built from a large collection of high-quality maps. We then exploit the resulting model to promote the structural properties of ground truth functional maps on new shape collections. Remarkably, we demonstrate that the learned models are category-agnostic, and can fully replace commonly used strategies such as enforcing Laplacian commutativity or orthogonality of functional maps. Our key technical contribution is a novel distillation strategy from diffusion models in the spectral domain. Experiments demonstrate that our learned regularization leads to better results than axiomatic approaches for zero-shot non-rigid shape matching. Our code is available at: https://github.com/daidedou/diffumatch/
- Abstract（参考訳）: 深部関数写像は、非剛体形状対応タスクを解くための強力なツールとして最近登場した。
このアプローチを使用する手法は、関数マップフレームワークのパワーと柔軟性を、精度と汎用性を改善するためのデータ駆動学習と組み合わせている。
しかし,既存の手法の多くは特徴関数のみに限定しており,トレーニング損失の定式化やネットワーク内の関数マップの正規化にアクシオマティック・モデリングを頼っている。
これにより、結果として生じるアプローチの精度と適用性の両方が、公理モデルの仮定が成立するシナリオに限られる。
本研究は,ネットワーク内正規化と関数型マップトレーニングの両方をデータ駆動方式に置き換えることができることを示す。
そこで我々は,高品位地図の集合から構築したスコアベース生成モデルを用いて,スペクトル領域における関数写像の生成モデルをまず訓練する。
次に、得られたモデルを利用して、新しい形状コレクション上の基底真理汎関数写像の構造的特性を促進する。
注目すべきは、学習されたモデルが圏に依存しないことを示し、ラプラシア可換性や関数写像の直交性といった一般的な戦略を完全に置き換えることができることである。
我々の重要な技術的貢献はスペクトル領域における拡散モデルからの新しい蒸留戦略である。
実験により、学習した正規化は、ゼロショット非剛体形状マッチングの公理的アプローチよりも良い結果をもたらすことが示された。
私たちのコードは、https://github.com/daidedou/diffumatch/で利用可能です。
関連論文リスト
- Memory-Scalable and Simplified Functional Map Learning [32.088809326158554]
本稿では,メモリスケーラブルで効率的な関数型マップ学習パイプラインを提案する。
関数マップの構造を利用することで、メモリにポイントワイズマップを格納することなく、同じ結果が得られる可能性を提供します。
このアルゴリズムを後処理のステップで使用する多くの関数型マップ学習法とは異なり、列車時に簡単に利用できる。
論文 参考訳（メタデータ） (2024-03-30T12:01:04Z) - Revisiting Map Relations for Unsupervised Non-Rigid Shape Matching [18.957179015912402]
非剛性3次元形状マッチングのための教師なし学習手法を提案する。
提案手法は,従来の最先端手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-10-17T17:28:03Z) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳（メタデータ） (2023-05-18T16:28:29Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳（メタデータ） (2023-04-27T02:12:47Z) - Understanding and Improving Features Learned in Deep Functional Maps [31.61255365182462]
より深い関数型マップアプローチで学習した特徴は、異なる形状のポイントワイド記述子として利用できることを示す。
本稿では,学習特徴の構造的特性を促進するため,標準的な深部関数型マップパイプラインを効果的に修正することを提案する。
論文 参考訳（メタデータ） (2023-03-29T08:32:16Z) - Equivariance with Learned Canonicalization Functions [77.32483958400282]
正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。
実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
論文 参考訳（メタデータ） (2022-11-11T21:58:15Z) - Neural Eigenfunctions Are Structured Representation Learners [93.53445940137618]
本稿ではニューラル固有写像という,構造化された適応長の深部表現を提案する。
本稿では,データ拡張設定における正の関係から固有関数が導出される場合,NeuralEFを適用することで目的関数が得られることを示す。
画像検索システムにおいて,適応長符号のような表現を用いることを実証する。
論文 参考訳（メタデータ） (2022-10-23T07:17:55Z) - Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。
従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。
我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2022-07-07T07:41:32Z) - Graph Sampling Based Deep Metric Learning for Generalizable Person
Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。
大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文 参考訳（メタデータ） (2021-04-04T06:44:15Z) - Generalize a Small Pre-trained Model to Arbitrarily Large TSP Instances [55.64521598173897]
本稿では,旅行セールスマン問題(TSP)のヒートマップ構築に繰り返し使用可能な,小規模モデルのトレーニングを試みる。
ヒートマップは強化学習アプローチ(モンテカルロツリーサーチ)に供給され、高品質のソリューションの検索を案内します。
実験結果によると、この新しいアプローチは、既存の機械学習ベースのTSPアルゴリズムを明らかに上回る。
論文 参考訳（メタデータ） (2020-12-19T11:06:30Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - Deep Geometric Functional Maps: Robust Feature Learning for Shape
Correspondence [31.840880075039944]
非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。
提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
論文 参考訳（メタデータ） (2020-03-31T15:20:17Z)
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。