論文の概要: Neural Point-Forms

• arxiv url: http://arxiv.org/abs/2605.15524v1
• Date: Fri, 15 May 2026 01:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.146142
• Title: Neural Point-Forms
• Title（参考訳）: 神経点形態
• Authors: Bruno Trentini, Jacob Hume, Vincenzo Antonio Isoldi, Philipp Misof, Ekaterina S. Ivshina, Kelly Maggs,
• Abstract要約: ニューラル・ポイント・フォーム(NPF)と呼ばれる点雲の原理的学習可能な幾何学的特徴の新たなファミリーを導入する。 NPFは競合的で解釈可能な表現であり、ラベルがサンプリング密度、多様体のような構造、あるいは応答関連人口幾何学に依存する場合に最も大きな利点が現れる。
• 参考スコア（独自算出の注目度）: 1.0262304700896199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud learning often rests on the premise that observed samples are noisy traces of an underlying geometric object, such as a manifold embedded in a high-dimensional feature space. Yet much of this geometry is not captured directly by coordinates, pairwise distances, or learned graph neighborhoods alone. In the smooth setting, differential forms are devices to encode higher order tangency information. In this work, we introduce a new family of principled learnable geometric features for point clouds called neural point-forms (NPFs). In the absence of a natural tangency structure, we instead use Laplacian-based techniques from Diffusion Geometry to build a discrete model for comparing differential forms on point clouds via inner products. In the continuum, submanifolds of a shared ambient feature space are represented as comparison matrices, whose entries describe how pairs of feature forms interact with extrinsic tangency information. We make this intuition precise by proving the long-run consistency of comparison matrices under standard sampling, bandwidth, density, and manifold-hypothesis assumptions. This yields a compact, efficient and permutation-invariant neural layer whose output is a learned form-comparison matrix. Across synthetic and biologically relevant experiments, we show that NPFs provide a competitive, and interpretable representation, with the strongest benefits appearing when labels depend on sampling density, manifold-like structure, or response-relevant population geometry.
• Abstract（参考訳）: ポイント・クラウド・ラーニングはしばしば、観測されたサンプルは、高次元の特徴空間に埋め込まれた多様体のような下層の幾何学的対象のノイズのあるトレースである、という前提に基づいている。 しかし、この幾何学の多くは座標、ペア距離、あるいは学習されたグラフ近傍だけで直接捉えられるわけではない。 滑らかな設定では、微分形式は高次タンジェンシー情報を符号化する装置である。 本研究では,ニューラル・ポイント・フォーム (NPF) と呼ばれる点雲に対して,原理的に学習可能な幾何学的特徴を新たに導入する。 自然接点構造が存在しない場合、ディフュージョン幾何学のラプラシアンに基づく手法を用いて、内積を介して点雲上の微分形式を比較する離散モデルを構築する。 連続体において、共有環境特徴空間の部分多様体は比較行列として表現され、そのエントリは、一対の特徴形式が外在的タンジェンシー情報とどのように相互作用するかを記述する。 この直感は、標準サンプリング、帯域幅、密度、多様体-仮説の下での比較行列の長時間の整合性を証明することによって正確にする。 これにより、学習された形式比較行列を出力とするコンパクトで効率的で置換不変なニューラル層が得られる。 人工的および生物学的に関係のある実験を通して、NPFは、サンプリング密度、多様体のような構造、あるいは応答関連集団幾何学に依存するラベルの最も優れた利点として、競合的で解釈可能な表現を提供することを示した。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• 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)
• Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
  本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。 変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。 提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
  論文  参考訳（メタデータ） (2024-07-05T20:08:16Z)
• Differential Geometry in Neural Implicits [0.6198237241838558]
  トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。 ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
  論文  参考訳（メタデータ） (2022-01-23T13:40:45Z)
• PointShuffleNet: Learning Non-Euclidean Features with Homotopy Equivalence and Mutual Information [9.920649045126188]
  我々は、ポイントクラウド分類とセグメンテーションにおいて非常に有望な、ポイントShuffleNet(PSN)と呼ばれる新しいポイントクラウド分析ニューラルネットワークを提案する。 我々のPSNは、ModelNet40、ShapeNet、S3DISの最先端の成果を高い効率で達成する。
  論文  参考訳（メタデータ） (2021-03-31T03:01:16Z)
• Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
  本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-05-27T02:42:29Z)
• 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。