論文の概要: Combinative Matching for Geometric Shape Assembly
- arxiv url: http://arxiv.org/abs/2508.09780v2
- Date: Sat, 01 Nov 2025 15:51:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-04 16:14:22.183293
- Title: Combinative Matching for Geometric Shape Assembly
- Title（参考訳）: 幾何形状集合のための組合せマッチング
- Authors: Nahyuk Lee, Juhong Min, Junhong Lee, Chunghyun Park, Minsu Cho,
- Abstract要約: 幾何形状の組立のためのインターロック部品を組み合わせた新しい形状マッチング手法を提案する。
本手法では,各領域の形状が同一に見えるが,各領域の体積が互いに逆空間を占有する領域間の対応性を確立する。
提案手法は、マッチングにおける局所的な曖昧さを著しく低減し、組立における部品の堅牢な組み合わせを可能にする。
- 参考スコア（独自算出の注目度）: 47.13088852892059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a new shape-matching methodology, combinative matching, to combine interlocking parts for geometric shape assembly. Previous methods for geometric assembly typically rely on aligning parts by finding identical surfaces between the parts as in conventional shape matching and registration. In contrast, we explicitly model two distinct properties of interlocking shapes: 'identical surface shape' and 'opposite volume occupancy.' Our method thus learns to establish correspondences across regions where their surface shapes appear identical but their volumes occupy the inverted space to each other. To facilitate this process, we also learn to align regions in rotation by estimating their shape orientations via equivariant neural networks. The proposed approach significantly reduces local ambiguities in matching and allows a robust combination of parts in assembly. Experimental results on geometric assembly benchmarks demonstrate the efficacy of our method, consistently outperforming the state of the art. Project page: https://nahyuklee.github.io/cmnet.
- Abstract（参考訳）: 本稿では,幾何学的形状の組立に連動する部品を組み合わせるために,新しい形状マッチング手法,コンビネーティブマッチングを提案する。
従来の幾何学的組立法は、通常、従来の形状マッチングや登録のように、部品間の同一の表面を見つけることで、部品の整列に依存する。
対照的に、我々は「同一表面形状」と「擬似体積占有」の2つの異なる相互ロック形状特性を明示的にモデル化する。
そこで本手法では,各領域の形状が同一に見えるが,各領域の体積が互いに逆空間を占有する領域間の対応性を確立することを学ぶ。
このプロセスを容易にするために、同変ニューラルネットワークを用いて形状方向を推定することにより、回転領域の整列も学習する。
提案手法は、マッチングにおける局所的な曖昧さを著しく低減し、組立における部品の堅牢な組み合わせを可能にする。
幾何組立ベンチマークによる実験結果から,本手法の有効性が実証された。
プロジェクトページ: https://nahyuklee.github.io/cmnet.com
関連論文リスト
- GenAnalysis: Joint Shape Analysis by Learning Man-Made Shape Generators with Deformation Regularizations [21.923143529947886]
GenAnalysisは、人造形の共同解析を可能にする暗黙の形状生成フレームワークである。
本研究では,各形状の接空間における一方向アフィンベクトル場を復元し,形状変化を抽出する方法を示す。
次に,AAAP変形を中間形状列に繰り返し伝播させることにより形状対応を導出する。
論文 参考訳（メタデータ） (2025-03-02T09:17:08Z) - 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。
PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。
我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
論文 参考訳（メタデータ） (2024-07-15T08:50:02Z) - Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳（メタデータ） (2024-02-29T07:26:23Z) - Geometrically Consistent Partial Shape Matching [50.29468769172704]
3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。
しばしば無視されるが、整合幾何学の重要な性質は整合性である。
本稿では,新しい整数型線形計画部分形状整合式を提案する。
論文 参考訳（メタデータ） (2023-09-10T12:21:42Z) - Category-Level Multi-Part Multi-Joint 3D Shape Assembly [36.74814134087434]
グラフ表現学習の2段階からなる階層的なグラフ学習手法を提案する。
部分グラフは、所望の形状構造を構築するための入力として部分ジオメトリを取る。
ジョイントレベルグラフは、部分ジョイント情報を使用し、整合性や整合性に重点を置いている。
論文 参考訳（メタデータ） (2023-03-10T19:02:26Z) - Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
論文 参考訳（メタデータ） (2021-12-03T06:41:19Z) - Spectral Unions of Partial Deformable 3D Shapes [31.93707121229739]
まず, 与えられた部分形状間の密接な対応を第一に解くことなく, 非剛性変形形状の合成を計算する最初の方法を提案する。
我々のアプローチはデータ駆動であり、表面の等尺および非等尺変形に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T14:19:18Z) - 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。