論文の概要: Hierarchical Transformers for Unsupervised 3D Shape Abstraction

• arxiv url: http://arxiv.org/abs/2510.27088v1
• Date: Fri, 31 Oct 2025 01:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.947243
• Title: Hierarchical Transformers for Unsupervised 3D Shape Abstraction
• Title（参考訳）: 教師なし3次元形状抽象化のための階層変換器
• Authors: Aditya Vora, Lily Goli, Andrea Tagliasacchi, Hao Zhang,
• Abstract要約: 我々は3次元形状のための新しい階層型ニューラルフィールド表現であるHiTを紹介する。 HiTは、教師なしの環境で、異なる形状のカテゴリにわたって粗い方法で一般的な階層を学習する。 55のShapeNetカテゴリにまたがる非教師なし形状分割タスクにより,その効果を実証する。
• 参考スコア（独自算出の注目度）: 29.488408094629545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce HiT, a novel hierarchical neural field representation for 3D shapes that learns general hierarchies in a coarse-to-fine manner across different shape categories in an unsupervised setting. Our key contribution is a hierarchical transformer (HiT), where each level learns parent-child relationships of the tree hierarchy using a compressed codebook. This codebook enables the network to automatically identify common substructures across potentially diverse shape categories. Unlike previous works that constrain the task to a fixed hierarchical structure (e.g., binary), we impose no such restriction, except for limiting the total number of nodes at each tree level. This flexibility allows our method to infer the hierarchical structure directly from data, over multiple shape categories, and representing more general and complex hierarchies than prior approaches. When trained at scale with a reconstruction loss, our model captures meaningful containment relationships between parent and child nodes. We demonstrate its effectiveness through an unsupervised shape segmentation task over all 55 ShapeNet categories, where our method successfully segments shapes into multiple levels of granularity.
• Abstract（参考訳）: 本研究では,3次元形状に対する新しい階層型ニューラル場表現であるHiTを導入する。 我々の重要な貢献は階層変換器(HiT)であり、各レベルは圧縮されたコードブックを用いて木階層の親子関係を学習する。 このコードブックは、ネットワークが潜在的に多様な形状のカテゴリにまたがる共通部分構造を自動的に識別することを可能にする。 タスクを固定階層構造(例えばバイナリ)に制約する以前の作業とは異なり、各ツリーレベルでのノードの総数を制限する以外、そのような制限は課さない。 この柔軟性により、データから直接階層構造を推測し、複数の形状カテゴリを超越し、従来の手法よりも一般的で複雑な階層を表現することができる。 再建損失を伴う大規模学習では,親ノードと子ノード間の有意義な包摂関係を抽出する。 55のShapeNetカテゴリにまたがる非教師なしの形状分割タスクにより,その効果を実証する。

関連論文リスト

• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• StructRe: Rewriting for Structured Shape Modeling [60.20359722058389]
  本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。 ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
  論文  参考訳（メタデータ） (2023-11-29T10:35:00Z)
• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Implant Global and Local Hierarchy Information to Sequence based Code Representation Models [25.776540440893257]
  完全な階層構造がコードシーケンスのトークンに与える影響を分析し、階層埋め込みと呼ばれるコードトークンの特性として、この影響を抽象化する。 ソースコードの完全な階層化をトランスフォーマーモデルに組み込むための,単純かつ効果的なシーケンスモデルである階層変換器(HiT)を提案する。
  論文  参考訳（メタデータ） (2023-03-14T12:01:39Z)
• RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures [18.5420635041504]
  RIM-Netは階層構造の教師なし推論のための暗黙の場を学習するニューラルネットワークである。 RIM-Netによる階層構造推論の品質,一貫性,解釈可能性を示す。
  論文  参考訳（メタデータ） (2022-01-30T09:31:24Z)
• Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers [40.993137740456014]
  本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。 提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。 提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
  論文  参考訳（メタデータ） (2021-12-04T14:58:36Z)

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。