論文の概要: Learning Convex Decomposition via Feature Fields

• arxiv url: http://arxiv.org/abs/2603.09285v1
• Date: Tue, 10 Mar 2026 07:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.116364
• Title: Learning Convex Decomposition via Feature Fields
• Title（参考訳）: 特徴場による凸分割の学習
• Authors: Yuezhi Yang, Qixing Huang, Mikaela Angelina Uy, Nicholas Sharp,
• Abstract要約: 本研究は,長期にわたる凸分解問題に対する特徴場学習による新たな定式化を提案する。 本手法は, 凸体の3次元形状を分解する。 私たちの定式化は、単一形状の最適化に使用できますが、より重要なのは、予測がスケーラブルで自己教師型学習を解放することです。
• 参考スコア（独自算出の注目度）: 39.95179829013123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work proposes a new formulation to the long-standing problem of convex decomposition through learning feature fields, enabling the first feed-forward model for open-world convex decomposition. Our method produces high-quality decompositions of 3D shapes into a union of convex bodies, which are essential to accelerate collision detection in physical simulation, amongst many other applications. The key insight is to adopt a feature learning approach and learn a continuous feature field that can later be clustered to yield a good convex decomposition via our self-supervised, purely-geometric objective derived from the classical definition of convexity. Our formulation can be used for single shape optimization, but more importantly, feature prediction unlocks scalable, self-supervised learning on large datasets resulting in the first learned open-world model for convex decomposition. Experiments show that our decompositions are higher-quality than alternatives and generalize across open-world objects as well as across representations to meshes, CAD models, and even Gaussian splats. https://research.nvidia.com/labs/sil/projects/learning-convex-decomp/
• Abstract（参考訳）: 本研究は,オープンワールド凸分解のための第1フィードフォワードモデルを実現するために,特徴フィールドの学習による凸分解の長期問題に対する新たな定式化を提案する。 本手法は, 物理シミュレーションにおける衝突検出の高速化に不可欠である凸体を結合した3次元形状の高品質な分解を行う。 重要な洞察は、特徴学習アプローチを採用し、後にクラスタ化して、古典的な凸性の定義から導かれた自己監督的かつ純粋に幾何学的な目的を通じて、良好な凸分解をもたらすことができる連続的な特徴場を学ぶことである。 我々の定式化は単一形状の最適化に利用できるが、より重要なことは、機能予測が大規模データセット上でスケーラブルで自己教師型学習を解放し、結果として凸分解のための最初の学習されたオープンワールドモデルとなることである。 実験により、我々の分解は代替品よりも高品質であることが示され、メッシュやCADモデル、さらにはガウススプラットへの表現だけでなく、オープンワールドオブジェクトに対しても一般化される。 https://research.nvidia.com/labs/sil/projects/learning-convex-decomp/

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Approximate Convex Decomposition for 3D Meshes with Collision-Aware Concavity and Tree Search [23.52274863244624]
  近似凸分解は、3次元形状をほぼ凸成分の集合に分解することを目的としている。 ゲームエンジン、物理シミュレーション、アニメーションで広く使われている。 本稿では,既存のアプローチの限界を3つの視点から解決する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-05T23:40:15Z)
• Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
  本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。 本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:04Z)
• Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
  D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。 モデルのパラメータは期待最大化手順によって反復的に推定される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:02Z)
• Optimal Pose and Shape Estimation for Category-level 3D Object Perception [24.232254155643574]
  カテゴリーレベルの知覚問題で、与えられたカテゴリのオブジェクトを撮影する3Dセンサーデータが与えられる。 ポーズと形状推定のための第1の最適CADソルバを提供する。 また, カテゴリレベルの知覚において, アウトレーヤを起点とするグラフ理論の定式化も行った。
  論文  参考訳（メタデータ） (2021-04-16T21:41:29Z)
• 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)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。