論文の概要: Scheduling the Off-Diagonal Weingarten Loss of Neural SDFs for CAD Models

• arxiv url: http://arxiv.org/abs/2511.03147v1
• Date: Wed, 05 Nov 2025 03:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.309505
• Title: Scheduling the Off-Diagonal Weingarten Loss of Neural SDFs for CAD Models
• Title（参考訳）: CADモデルのためのニューラルSDFの非対角Weingarten損失のスケジューリング
• Abstract要約: 本稿では,オフ・ダイアゴナル・ウィンガルテン(ODW)損失に対するスケジューリング戦略について述べる。 提案手法は,FlatCADベースライン上でのChamfer Distanceの最大35%の改善を実現する。
• 参考スコア（独自算出の注目度）: 0.8594140167290095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural signed distance functions (SDFs) have become a powerful representation for geometric reconstruction from point clouds, yet they often require both gradient- and curvature-based regularization to suppress spurious warp and preserve structural fidelity. FlatCAD introduced the Off-Diagonal Weingarten (ODW) loss as an efficient second-order prior for CAD surfaces, approximating full-Hessian regularization at roughly half the computational cost. However, FlatCAD applies a fixed ODW weight throughout training, which is suboptimal: strong regularization stabilizes early optimization but suppresses detail recovery in later stages. We present scheduling strategies for the ODW loss that assign a high initial weight to stabilize optimization and progressively decay it to permit fine-scale refinement. We investigate constant, linear, quintic, and step interpolation schedules, as well as an increasing warm-up variant. Experiments on the ABC CAD dataset demonstrate that time-varying schedules consistently outperform fixed weights. Our method achieves up to a 35% improvement in Chamfer Distance over the FlatCAD baseline, establishing scheduling as a simple yet effective extension of curvature regularization for robust CAD reconstruction.
• Abstract（参考訳）: ニューラルサインされた距離関数(SDF)は点雲からの幾何学的再構成の強力な表現となっているが、しばしば急激なワープを抑制し、構造的忠実性を維持するために勾配と曲率に基づく正規化が必要である。 FlatCADはCAD表面の効率的な二階述語としてOff-Diagonal Weingarten (ODW)損失を導入し、フルヘッセン正規化を計算コストの約半分で近似した。 しかし、FlatCADはトレーニング全体を通して一定のODW重みを適用しており、これは準最適である: 強い正規化は早期最適化を安定化するが、後段の詳細な回復を抑制する。 本稿では,最適化を安定させるために初期重みを割り当てるODW損失のスケジューリング戦略について述べる。 本研究では, 定数, 線形, クインティック, ステップ補間スケジュール, 温暖化変動の増大について検討する。 ABC CADデータセットの実験では、時間変化のスケジュールが一定の重みを常に上回ることを示した。 提案手法はFlatCADベースライン上でのChamfer Distanceの改善を最大35%達成し,頑健なCAD再構成のための曲率正規化の簡易かつ効果的な拡張としてスケジューリングを確立する。

関連論文リスト

• Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
  本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。 グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
  論文  参考訳（メタデータ） (2026-09-03T16:08:03Z)
• VGGT-Align: Bridging Local Reconstruction and Global Consistency for Long-Sequence 3D Reconstruction [8.983872448985627]
  本稿では,シーンを駆動するなどの構造的環境において,時間的セグメント間での幾何量の変化は本質的に不変である,という重要な洞察に基づいて構築されたスケール一貫性向上フレームワークを提案する。 SGIA(Scene Geometric Invariant Anchoring)を提案する。 複数のロングシーケンスベンチマークの実験では、最先端の性能を示し、絶対軌道誤差を最大32%削減し、軌道安定性と復元品質を大きく向上させた。
  論文  参考訳（メタデータ） (2026-08-15T14:32:55Z)
• Gaussian Sculpting: End-to-End Controllable Surface Reconstruction via Field Optimization [22.001328928240053]
  3D Gaussian Splattingは、最近、印象的な品質でリアルタイムの新規ビュー合成を可能にした。 限定的な視点で正確な曲面を復元することは困難であり、ガウス原始体の固有の不規則性のためである。 本稿では,高品質な表面再構成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T07:42:24Z)
• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• Autoregressive B-Rep Shape Generation with Parametric Surfaces [83.03418080213359]
  ParaCADは、ポイントクラウド条件のB-Rep生成のための自動回帰フレームワークである。 我々のモデルはまず、制約されたUV領域を持つパラメトリック曲面を生成し、その後、これらの曲面をグローバルに交差させることで有効なB-Repを構築する。 大規模な実験により、ParaCADは忠実な点-クラウドアライメントで正確なB-Repsを生成することが示された。
  論文  参考訳（メタデータ） (2026-07-19T06:14:50Z)
• Power Reinforcement Post-Training of Text-to-Image Models with Super-Linear Advantage Shaping [66.25536973294726]
  テキスト・トゥ・イメージ(T2I)モデルのポストトレーニング手法はハッキングに報いる傾向がある。 SLAS(Super-Linear Advantage Shaping)は、地方政策の分野を再考する。 SLASは、DanceGRPOベースラインを複数のバックボーンとベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-11T17:59:25Z)
• CADFit: Precise Mesh-to-CAD Program Generation with Hybrid Optimization [3.8824066002669855]
  本稿では,ハイブリッド最適化に基づくCAD再構成フレームワークであるCADFitを紹介する。 本手法は,構造CADプログラムに対するIoU駆動の最適化として再構成を定式化することによって特徴付けられる。 複数のCADベンチマークの実験により、CADFitは最先端のメッシュ・トゥ・CAD法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-02T00:19:52Z)
• GIFT: Bootstrapping Image-to-CAD Program Synthesis via Geometric Feedback [16.42151644490948]
  GIFTは、幾何学的フィードバックを利用して、テスト時間計算を高品質なトレーニングサンプルのブートストラップセットに変換するフレームワークである。 強い教師付きベースラインに対して平均IoUを12%改善し、より複雑なマルチモーダルシステムと競合し続ける。
  論文  参考訳（メタデータ） (2026-03-28T23:49:20Z)
• Convex and Non-convex Federated Learning with Stale Stochastic Gradients: Diminishing Step Size is All You Need [6.783562149597588]
  ローカルエージェントは、自身のデータと計算を利用して、エージェントのローカルコスト関数からなる目的を最小化するために、中央サーバを支援する。 各エージェントは、その局所的な目的の伝達バイアスと遅延推定を許される。
  論文  参考訳（メタデータ） (2026-03-03T06:09:19Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• FlatCAD: Fast Curvature Regularization of Neural SDFs for CAD Models [37.56003520528009]
  混合形状演算子項のみを正則化する非対角Weingarten損失を導入する。 6つのSDF評価と1つの勾配を用いた有限差分版と1つのヘッセンベクトル積を用いた自動差分版である。 この手法はドロップインおよびフレームワーク非依存であり、工学的な形状復元のためのスケーラブルな曲率認識型SDF学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-19T21:54:08Z)
• Evolutionary Caching to Accelerate Your Off-the-Shelf Diffusion Model [38.350123625613804]
  拡散に基づく画像生成モデルは高品質な合成コンテンツを生成するのに優れているが、遅くて計算コストのかかる推論に悩まされている。 本稿では,効率的なモデルごとのキャッシュスケジュールを学習する遺伝的アルゴリズムであるECAD(Evolutionary Caching to Accelerate Diffusion Model)を提案する。 ECADは、大きな推論スピードアップを提供し、品質-遅延トレードオフのきめ細かい制御を可能にし、異なる拡散モデルにシームレスに適応する。
  論文  参考訳（メタデータ） (2025-06-18T17:59:50Z)
• CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning [31.342222156939403]
  本稿では,2段階の微調整パラダイムであるCReFT-CADを紹介する。 われわれはTriView2CADをリリースした。
  論文  参考訳（メタデータ） (2025-05-31T13:52:56Z)
• Point2Primitive: CAD Reconstruction from Point Cloud by Direct Primitive Prediction [21.252463825836497]
  入力点雲から編集可能なCADモデルを生成するCAD再構成ネットワーク(Point2Primitive)を提案する。 Point2Primitiveは、改良された変換器に基づいて、ポイントクラウドからスケッチ曲線(型とパラメータ)を直接検出し、予測することができる。
  論文  参考訳（メタデータ） (2025-05-04T09:42:03Z)
• PS-CAD: Local Geometry Guidance via Prompting and Selection for CAD Reconstruction [86.726941702182]
  再構成ネットワークPS-CADに幾何学的ガイダンスを導入する。 我々は、現在の再構成が点雲としての完備モデルと異なる曲面の幾何学を提供する。 第二に、幾何学的解析を用いて、候補面に対応する平面的プロンプトの集合を抽出する。
  論文  参考訳（メタデータ） (2024-05-24T03:43:55Z)
• NeurCADRecon: Neural Representation for Reconstructing CAD Surfaces by Enforcing Zero Gaussian Curvature [42.39976072777987]
  低品質の無向点雲からのCADモデルの高忠実化は依然として大きな課題である。 本稿では,CADモデルの表面が概ね断片的な表面パッチで構成されているという先行的な観察に基づいて,この問題に対処する。 我々のアプローチはNeurCADReconと呼ばれており、その損失にはガウス曲率を0。
  論文  参考訳（メタデータ） (2024-04-20T16:36:24Z)
• Image Reconstruction via Deep Image Prior Subspaces [0.18472148461613155]
  ディープラーニングは画像再構成タスクの解決に広く利用されているが、高品質なトレーニングデータが不足しているため、そのデプロイ性は後退している。 本稿では、DIP最適化をパラメータの疎線型部分空間に制限することにより、これらの問題に対処する新しい手法を提案する。 部分空間の低次元性は、DIPのノイズに適合する傾向を減少させ、安定な2階最適化法を可能にする。
  論文  参考訳（メタデータ） (2023-02-20T20:19:36Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• Distributed stochastic optimization with large delays [59.95552973784946]
  大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。 DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
  論文  参考訳（メタデータ） (2021-07-06T21:59:49Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。