論文の概要: Geometry Denoising with Preferred Normal Vectors

• arxiv url: http://arxiv.org/abs/2511.04848v1
• Date: Thu, 06 Nov 2025 22:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.607043
• Title: Geometry Denoising with Preferred Normal Vectors
• Title（参考訳）: 正常ベクトルが優先される幾何学的デノベーション
• Authors: Manuel Weiß, Lukas Baumgärtner, Roland Herzog, Stephan Schmidt,
• Abstract要約: 本研究では,表面正規ベクトルに関する事前知識を用いた幾何記述のための新しいパラダイムを提案する。 分節問題は自然に分節過程に埋め込まれる。 得られた最適化問題を解くために、分割ブレグマン(ADMM)アプローチを定式化する。
• 参考スコア（独自算出の注目度）: 0.09033868044784944
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce a new paradigm for geometry denoising using prior knowledge about the surface normal vector. This prior knowledge comes in the form of a set of preferred normal vectors, which we refer to as label vectors. A segmentation problem is naturally embedded in the denoising process. The segmentation is based on the similarity of the normal vector to the elements of the set of label vectors. Regularization is achieved by a total variation term. We formulate a split Bregman (ADMM) approach to solve the resulting optimization problem. The vertex update step is based on second-order shape calculus.
• Abstract（参考訳）: 本研究では,表面正規ベクトルに関する事前知識を用いた幾何記述のための新しいパラダイムを提案する。 この事前の知識は、ラベルベクトルと呼ばれる好ましく通常のベクトルの集合の形で得られる。 分節問題は自然に分節過程に埋め込まれる。 セグメンテーションは、正規ベクトルとラベルベクトルの集合の元との類似性に基づいている。 正規化は全変分項によって達成される。 得られた最適化問題を解くために、分割ブレグマン(ADMM)アプローチを定式化する。 頂点更新ステップは、2階形状計算に基づいている。

関連論文リスト

• Total Generalized Variation of the Normal Vector Field and Applications to Mesh Denoising [0.08525606982282996]
  R3$に埋め込まれた配向三角形メッシュ上での正規ベクトルの2階全一般化変分(TGV)の新しい定式化を提案する。 我々の定式化は、ラヴィアート・トーマス関数空間を利用する分割定数スカラーデータに対する従来の離散TGVモデルを拡張した。
  論文  参考訳（メタデータ） (2025-07-17T20:44:49Z)
• Two Models for Surface Segmentation using the Total Variation of the Normal Vector [0.36157708183789494]
  曲面分割の問題は、三角形メッシュで表される曲面を分割することが目的である。 そこで本研究では,2つの反復正則化器を比較し,全変量尺度に基づく変分法を提案する。 第1正規化器は代入関数の総変分を直接算定し、第2正規化器はラベル空間の総変分を算定する。
  論文  参考訳（メタデータ） (2024-11-30T11:39:48Z)
• Refined Risk Bounds for Unbounded Losses via Transductive Priors [67.12679195076387]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• Segmentation-guided Layer-wise Image Vectorization with Gradient Fills [6.037332707968933]
  そこで本稿では,画像を勾配を埋め込んだ簡潔なベクトルグラフに変換するためのセグメンテーション誘導ベクトル化フレームワークを提案する。 組込み勾配認識セグメンテーションの指導により, 段階的に勾配を埋め込んだB'ezierパスを出力に付加する。
  論文  参考訳（メタデータ） (2024-08-28T12:08:25Z)
• Fast Machine Learning Method with Vector Embedding on Orthonormal Basis and Spectral Transform [0.0]
  本稿では,ユリア語でベクトルデータベースを用いて実装された単語埋め込み,テキストチャンク埋め込み,画像埋め込みの例を示す。 また,本手法を用いた教師なし学習と教師なし学習と,大規模データ量を扱う戦略についても検討した。
  論文  参考訳（メタデータ） (2023-10-27T18:48:54Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Support Recovery of Sparse Signals from a Mixture of Linear Measurements [48.556633593447465]
  簡単な測定からスパースベクトルの支持を回復することは、広く研究されている問題である。 この問題の一般化を考える:線形回帰の混合と線形分類器の混合である。 我々は$k, log n$ および quasi-polynomial を $ell$ で多くの測定値を用いて、混合中の未知ベクトルの全てのサポートを回復するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-06-10T17:48:13Z)
• On Path Integration of Grid Cells: Group Representation and Isotropic Scaling [135.0473739504851]
  格子セルによる経路積分の一般的な表現モデルの理論的解析を行う。 我々は、歯列脳の格子細胞の同様の性質を共有する六角形格子パターンを学習する。 学習したモデルは、正確な長距離経路積分を行うことができる。
  論文  参考訳（メタデータ） (2020-06-18T03:44:35Z)

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。