論文の概要: Symmetry Understanding of 3D Shapes via Chirality Disentanglement
- arxiv url: http://arxiv.org/abs/2508.05505v1
- Date: Thu, 07 Aug 2025 15:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.931822
- Title: Symmetry Understanding of 3D Shapes via Chirality Disentanglement
- Title（参考訳）: キラリティ異方性による3次元形状の対称性理解
- Authors: Weikang Wang, Tobias Weißberg, Nafie El Amrani, Florian Bernard,
- Abstract要約: キラリティ情報は、画像、ビデオ、ポイントクラウド、メッシュなど、コンピュータビジョンのさまざまなデータモードに対して、ユビキタスである。
本研究では, キラリティを意識した形状の頂点をデコレートする, 教師なしのキラリティ特徴抽出パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 14.901481138124065
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chirality information (i.e. information that allows distinguishing left from right) is ubiquitous for various data modes in computer vision, including images, videos, point clouds, and meshes. While chirality has been extensively studied in the image domain, its exploration in shape analysis (such as point clouds and meshes) remains underdeveloped. Although many shape vertex descriptors have shown appealing properties (e.g. robustness to rigid-body transformations), they are often not able to disambiguate between left and right symmetric parts. Considering the ubiquity of chirality information in different shape analysis problems and the lack of chirality-aware features within current shape descriptors, developing a chirality feature extractor becomes necessary and urgent. Based on the recent Diff3F framework, we propose an unsupervised chirality feature extraction pipeline to decorate shape vertices with chirality-aware information, extracted from 2D foundation models. We evaluated the extracted chirality features through quantitative and qualitative experiments across diverse datasets. Results from downstream tasks including left-right disentanglement, shape matching, and part segmentation demonstrate their effectiveness and practical utility. Project page: https://wei-kang-wang.github.io/chirality/
- Abstract（参考訳）: キラリティ情報(すなわち、左と右を区別できる情報)は、画像、ビデオ、点雲、メッシュなど、コンピュータビジョンの様々なデータモードに対してユビキタスである。
キラリティは画像領域で広く研究されているが、形状解析(点雲やメッシュなど)の探索はまだ未開発である。
多くの形状頂点記述子は魅力的な性質(例えば剛体変換に対する堅牢性)を示してきたが、しばしば左右対称部分の曖昧さを示さない。
異なる形状解析問題におけるキラリティー情報の有用性と、現在の形状記述子におけるキラリティー認識特徴の欠如を考慮すると、キラリティー特徴抽出器の開発が不可欠かつ緊急となる。
最近のDiff3Fフレームワークに基づいて, 2次元基礎モデルから抽出したキラリティ情報を用いて, 形状の頂点をデコレートする, 教師なしのキラリティ特徴抽出パイプラインを提案する。
抽出したキラリティの特徴を,多様なデータセットの定量的および定性的な実験により評価した。
左右方向のゆがみ,形状整合,部分分割といった下流作業の結果は,その有効性と実用性を示している。
プロジェクトページ:https://wei-kang-wang.github.io/chirality/
関連論文リスト
- PointVoxelFormer -- Reviving point cloud networks for 3D medical imaging [0.0]
点雲は、医療画像における体積データを表現するための非常に効率的な方法である。
それらの利点にもかかわらず、ポイントクラウドは、ボリューム3D CNNやビジョントランスフォーマーと比較して、医療画像においてまだ過小評価されている。
この研究は、ポイントワイズ演算と中間微分可能化と高密度局所化CNNを組み合わせたハイブリッドアプローチを示す。
論文 参考訳（メタデータ） (2024-12-23T08:43:39Z) - 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) - Unsupervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
MAL-UPCは、領域レベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークである。
我々のMAL-UPCは3Dの完全な監視を一切必要とせず、トレーニングセットにおける一視点部分的な観察のみを必要とする。
論文 参考訳（メタデータ） (2024-07-13T06:53:39Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Diffusion 3D Features (Diff3F): Decorating Untextured Shapes with Distilled Semantic Features [27.44390031735071]
Diff3Fは、非テクスチャ入力のためのクラスに依存しない特徴記述子である。
画像基礎モデルから入力形状への拡散特性を蒸留する。
その過程で2次元で(拡散)特徴を生成し、その後、元の表面に持ち上げて集約する。
論文 参考訳（メタデータ） (2023-11-28T18:27:15Z) - Parametric Depth Based Feature Representation Learning for Object
Detection and Segmentation in Bird's Eye View [44.78243406441798]
本稿では,このような特徴変換をモデル化するために,深度などの幾何学的情報を活用することに焦点を当てる。
まず2次元画像の特徴を,各ビューの画素ごとのパラメトリック深度分布を予測して,エゴ車に定義された3次元空間に引き上げる。
次に、深度からBEVフレームへの3次元空間占有度に基づいて、3次元特徴体積を集約する。
論文 参考訳（メタデータ） (2023-07-09T06:07:22Z) - NeeDrop: Self-supervised Shape Representation from Sparse Point Clouds
using Needle Dropping [80.2485282512607]
スパース点雲から形状表現を学習するための自己教師型手法NeeDropを紹介する。
形状の知識は不要で、例えば車によって取得されたライダー点雲のように、点雲は疎くすることができる。
形状復元データセットにおける既存の教師ありアプローチと同等の定量的な結果が得られる。
論文 参考訳（メタデータ） (2021-11-30T08:35:20Z) - DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。
我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2021-11-15T08:27:21Z) - 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) - Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。
複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。
合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
論文 参考訳（メタデータ） (2020-08-20T17:53:42Z) - 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。