論文の概要: DiLO: Disentangled Latent Optimization for Learning Shape and Deformation in Grouped Deforming 3D Objects
- arxiv url: http://arxiv.org/abs/2511.06115v1
- Date: Sat, 08 Nov 2025 19:50:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.764563
- Title: DiLO: Disentangled Latent Optimization for Learning Shape and Deformation in Grouped Deforming 3D Objects
- Title（参考訳）: DiLO: 群状変形物体の形状と変形を学習するための非交叉潜在最適化
- Authors: Mostofa Rafid Uddin, Jana Armouti, Umong Sain, Md Asib Rahman, Xingjian Li, Min Xu,
- Abstract要約: 本研究では,非教師的手法で3次元変形物体を形状・変形因子にパラメータ化するための非教師付き潜在最適化手法を提案する。
提案手法は, 特定の正規化手法によって支持される形状と変形係数とともに, ジェネレータネットワークの協調最適化を伴う。
本稿では, 教師なし変形伝達, 変形分類, 説明可能性解析など, 提案手法のダウンストリーム応用について述べる。
- 参考スコア（独自算出の注目度）: 7.47662549725561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a disentangled latent optimization-based method for parameterizing grouped deforming 3D objects into shape and deformation factors in an unsupervised manner. Our approach involves the joint optimization of a generator network along with the shape and deformation factors, supported by specific regularization techniques. For efficient amortized inference of disentangled shape and deformation codes, we train two order-invariant PoinNet-based encoder networks in the second stage of our method. We demonstrate several significant downstream applications of our method, including unsupervised deformation transfer, deformation classification, and explainability analysis. Extensive experiments conducted on 3D human, animal, and facial expression datasets demonstrate that our simple approach is highly effective in these downstream tasks, comparable or superior to existing methods with much higher complexity.
- Abstract（参考訳）: 本研究では,非教師的手法で3次元変形物体を形状・変形因子にパラメータ化するための非教師付き遅延最適化手法を提案する。
提案手法は, 特定の正規化手法によって支持される形状と変形係数とともに, ジェネレータネットワークの協調最適化を伴う。
そこで本手法では,2つの順序不変なPoinNetエンコーダネットワークを訓練する。
本稿では, 教師なし変形伝達, 変形分類, 説明可能性解析など, 提案手法のダウンストリーム応用について述べる。
人間の3D、動物、表情のデータセットに対して行われた大規模な実験は、我々の単純なアプローチが、より複雑な既存の方法に匹敵する、あるいは優れている、これらの下流タスクに非常に効果的であることを示した。
関連論文リスト
- Generalizing Shape-from-Template to Topological Changes [3.9171668133637314]
本稿では,変形可能なオブジェクトの表面を再構成するためのShape-from-Template(SfT)手法の原理的拡張を提案する。
我々のアプローチは、空間領域を分割することでテンプレートを反復的に適応し、エネルギー関数を最小限に抑えることである。
本手法は, 境界面上の断裂や切削など, 実用的に関係する幅広いトポロジカル事象を強固にキャプチャする。
論文 参考訳（メタデータ） (2025-11-05T13:32:05Z) - Efficient Autoregressive Shape Generation via Octree-Based Adaptive Tokenization [68.07464514094299]
既存の方法では、すべての形状を固定サイズのトークンにエンコードし、3Dデータにまたがるスケールと複雑さの固有のバリエーションを無視している。
形状の複雑さに応じて潜在表現の次元を調節する新しいフレームワークであるOctoreeをベースとした適応トークン化を提案する。
当社の手法では,同等の視覚的品質を維持しながら,固定サイズの手法に比べてトークン数を50%削減する。
論文 参考訳（メタデータ） (2025-04-03T17:57:52Z) - CNS-Edit: 3D Shape Editing via Coupled Neural Shape Optimization [56.47175002368553]
本稿では、3次元形状編集を潜在空間で暗黙的に行うために,結合表現とニューラルボリューム最適化に基づく新しい手法を提案する。
まず,3次元形状編集を支援する結合型ニューラル形状表現を設計する。
第二に、結合したニューラルネットワークの形状最適化手順を定式化し、編集操作対象の2つの結合した成分を協調最適化する。
論文 参考訳（メタデータ） (2024-02-04T01:52:56Z) - Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。
BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。
本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文 参考訳（メタデータ） (2023-11-10T14:04:49Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳（メタデータ） (2023-07-13T08:27:09Z) - IKOL: Inverse kinematics optimization layer for 3D human pose and shape
estimation via Gauss-Newton differentiation [44.00115413716392]
本稿では3次元ポーズ形状推定のための逆運動層(IKOL)を提案する。
IKOLは、既存の回帰ベースのメソッドよりもはるかに多い。
より正確な3Dポーズ推定を提供する。
論文 参考訳（メタデータ） (2023-02-02T12:43:29Z) - Neural Shape Deformation Priors [14.14047635248036]
本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。
形状の幾何学的性質に基づいて変形挙動を学習する。
本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
論文 参考訳（メタデータ） (2022-10-11T17:03:25Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
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。