論文の概要: Harmonic Beltrami Signature Network: a Shape Prior Module in Deep Learning Framework

• arxiv url: http://arxiv.org/abs/2603.02907v1
• Date: Tue, 03 Mar 2026 12:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.780001
• Title: Harmonic Beltrami Signature Network: a Shape Prior Module in Deep Learning Framework
• Title（参考訳）: Harmonic Beltrami Signature Network: ディープラーニングフレームワークにおける形状優先モジュール
• Authors: Chenran Lin, Lok Ming Lui,
• Abstract要約: Harmonic Beltrami Signature Network (HBSN)は、バイナリライクな画像からHBSを計算するための新しいディープラーニングアーキテクチャである。 ニューラルネットワークの関数近似能力を利用することで、HBSNは形状先行情報の効率的な抽出と利用を可能にする。 実験によると、HBSNは複雑な形状であっても正確にHBS表現を計算する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the Harmonic Beltrami Signature Network (HBSN), a novel deep learning architecture for computing the Harmonic Beltrami Signature (HBS) from binary-like images. HBS is a shape representation that provides a one-to-one correspondence with 2D simply connected shapes, with invariance to translation, scaling, and rotation. By exploiting the function approximation capacity of neural networks, HBSN enables efficient extraction and utilization of shape prior information. The proposed network architecture incorporates a pre-Spatial Transformer Network (pre-STN) for shape normalization, a UNet-based backbone for HBS prediction, and a post-STN for angle regularization. Experiments show that HBSN accurately computes HBS representations, even for complex shapes. Furthermore, we demonstrate how HBSN can be directly incorporated into existing deep learning segmentation models, improving their performance through the use of shape priors. The results confirm the utility of HBSN as a general-purpose module for embedding geometric shape information into computer vision pipelines.
• Abstract（参考訳）: 本稿では,HBSN(Harmonic Beltrami Signature Network)について述べる。 HBSは2次元の単純な接続された形状と1対1で対応し、翻訳、スケーリング、回転に不変な形状表現である。 ニューラルネットワークの関数近似能力を利用することで、HBSNは形状先行情報の効率的な抽出と利用を可能にする。 提案するネットワークアーキテクチャは、形状正規化のためのプレSpatial Transformer Network(pre-STN)、HBS予測のためのUNetベースのバックボーン、角度正規化のためのポストSTNを含む。 実験の結果、HBSNは複雑な形状であっても正確にHBS表現を計算することがわかった。 さらに,HBSNを既存の深層学習セグメンテーションモデルに直接組み込む方法を示し,その性能を事前形状を用いて改善する。 コンピュータビジョンパイプラインに幾何学形状情報を埋め込む汎用モジュールとしてのHBSNの有用性を確認した。

関連論文リスト

• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Controllable Shape Modeling with Neural Generalized Cylinder [39.36613329005811]
  ニューラルサイン距離場(NSDF)の明示的操作のためのニューラル一般化シリンダ(NGC)を提案する。 楕円形のプロファイルを持つ特殊GCの相対座標を用いることで、NSDFはGCの操作によって明示的に制御できる。 NGCは、単純な神経機能によって、形状のブレンディングに神経機能を利用することができる。
  論文  参考訳（メタデータ） (2024-09-18T21:48:33Z)
• Shape Prior Segmentation Guided by Harmonic Beltrami Signature [0.30693357740321775]
  本稿では,HBS(Harmonic Beltrami Signature)によって導かれる新しい形状先行分割法を提案する。 提案手法は,HBSを準コンフォーマルなトポロジー保存セグメンテーションフレームワークに統合する。 合成および実世界の画像の実験は、ベースラインよりもセグメンテーション精度を向上させる方法の能力を検証する。
  論文  参考訳（メタデータ） (2024-07-05T08:59:34Z)
• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Binarized Spectral Compressive Imaging [59.18636040850608]
  ハイパースペクトル画像(HSI)再構成のための既存のディープラーニングモデルは、優れた性能を実現するが、膨大なメモリと計算資源を持つ強力なハードウェアを必要とする。 本稿では,BiSRNet(Biarized Spectral-Redistribution Network)を提案する。 BiSRNetは,提案手法を用いてベースモデルのバイナライズを行う。
  論文  参考訳（メタデータ） (2023-05-17T15:36:08Z)
• ARO-Net: Learning Implicit Fields from Anchored Radial Observations [25.703496065476067]
  3次元形状の暗黙的場表現を学習するための新しい形状符号化であるアンカードラジアル観測(ARO)を導入する。 固定されたアンカーの集合を用いて、フィボナッチサンプリングを行い、座標に基づくディープニューラルネットワークを設計することにより、汎用的で統一された形状表現を開発する。 ARO-Netと命名されたネットワークの質と汎用性を,スパース点雲から表面再構成した上で実証する。
  論文  参考訳（メタデータ） (2022-12-19T16:29:20Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Learning Mesh Representations via Binary Space Partitioning Tree Networks [28.962866472806812]
  コンベックス分解により3次元形状を表現するネットワークであるBSP-Netを提案する。 ネットワークは、一組の平面上に構築されたBSPツリーから得られた凸の集合を用いて形状を再構築するよう訓練され、平面と凸はどちらも学習されたネットワーク重みによって定義される。 生成されたメッシュは、水密でコンパクト(低ポーリー)で、鋭い幾何学を表現するのに適している。
  論文  参考訳（メタデータ） (2021-06-27T16:37:54Z)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。