論文の概要: Curve Skeletonization in Continuous domain for Meshes and Point Clouds
- arxiv url: http://arxiv.org/abs/2605.25921v1
- Date: Mon, 25 May 2026 14:57:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:20.342642
- Title: Curve Skeletonization in Continuous domain for Meshes and Point Clouds
- Title（参考訳）: メッシュとポイントクラウドの連続領域における曲線スケルトン化
- Authors: Jai Bardhan, Ramya Hebbalaguppe, Aravind Udupa,
- Abstract要約: CSCD(Curve Skeletonization for Curve Skeletonization in the Continuous Domain)を紹介する。
本稿では,メッシュ用CSCD-Mと点雲用CSCD-PCの2つの実現法を提案する。
この結果から,CSCD-Mは,Thingi10kデータセットなどのベンチマークにおいて,多種多様なメッシュ間でのLS性能と,TLS(TOG'21)を比較検討した。
- 参考スコア（独自算出の注目度）: 4.014524824655106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advancements in 3D curve skeletonization are accelerating progress across a wide range of applications. However, developing robust skeletonization algorithms that capture intricate object details remains challenging. Skeletonization via Local Separators (LS) offers an efficient graph-based approach but suffers from representation inaccuracies due to its discrete nature. To address this, we introduce CSCD, a novel framework for Curve Skeletonization in the Continuous Domain, generalizing LS to manifolds. Specifically, we present two realizations: CSCD-M for meshes and CSCD-PC for point clouds. CSCD-M leverages the intrinsic triangulation of a mesh for resilience to noise and improved topological preservation, while CSCD-PC employs tufted Laplacians for enhanced robustness. To our knowledge, CSCD-M is the first intrinsic method for curve skeletonization. Our results show CSCD-M matches LS performance across diverse meshes and outperforms LS (TOG'21) on benchmarks like Thingi10k dataset. CSCD-PC qualitatively outperforms CoverageAxis++ (Eurographics'24) and EPCS (CAG'23). Finally, we demonstrate the efficacy of CSCD in a few downstream tasks: object classification, shape segmentation, identifying handles, tunnels, and constrictions in objects. Project Website: https://cscd-skel.pages.dev
- Abstract（参考訳）: 3D曲線のスケルトン化の進歩は、広範囲のアプリケーションで進歩を加速している。
しかし、複雑なオブジェクトの詳細をキャプチャする堅牢なスケルトン化アルゴリズムの開発は依然として困難である。
局所分離器(LS)による骨格化は効率的なグラフベースのアプローチを提供するが、その離散的な性質のために表現の不正確さに悩まされている。
これを解決するために,連続領域における曲線骨格化のための新しいフレームワークCSCDを導入し,LSを多様体に一般化する。
具体的には,メッシュ用CSCD-Mと点雲用CSCD-PCの2つの実現法を提案する。
CSCD-Mは、メッシュの固有三角測量をノイズ耐性に利用し、トポロジカル保存を改善し、CSCD-PCは強化されたロバスト性のためにタフトラプラシアンを使用している。
我々の知る限り、CSCD-Mは曲線骨格化のための最初の本質的な手法である。
この結果から,CSCD-Mは,Thingi10kデータセットなどのベンチマークにおいて,多種多様なメッシュ間でのLS性能と,TLS(TOG'21)を比較検討した。
CSCD-PCはCoverageAxis++(Eurographics'24)とEPCS(CAG'23)より質的に優れている。
最後に、オブジェクト分類、形状分割、ハンドルの識別、トンネル、オブジェクトの制限といった、いくつかの下流タスクにおいてCSCDの有効性を実証する。
プロジェクトウェブサイト: https://cscd-skel.pages.dev
関連論文リスト
- MOKD: Cross-domain Finetuning for Few-shot Classification via Maximizing Optimized Kernel Dependence [97.93517982908007]
NCCは、ドメイン間数ショットの分類において、少数ショットの分類が可能なメートル法空間を構築するために表現を学ぶことを目的としている。
本稿では,異なるクラスから得られた2つの標本の NCC 学習表現に高い類似性があることを見出した。
ラベル付きデータによって示されるクラスタ構造にマッチするクラス固有の表現の集合を学習するために、最適化されたカーネル依存(MOKD)を最大化する二段階最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-29T05:59:52Z) - SPEAL: Skeletal Prior Embedded Attention Learning for Cross-Source Point
Cloud Registration [20.32815928095936]
ポイントクラウドの登録は、クロスソースのポイントクラウドと非構造化のシーンでほとんど探索されていない。
そこで我々は,SPEALと呼ばれる新しい手法を提案し,スケルトン表現を利用して点雲の固有位相を効果的に学習する。
我々の知識を最大限に活用するために、我々のアプローチは骨格幾何学的な先行した点雲の登録を容易にする最初の方法である。
論文 参考訳（メタデータ） (2023-12-14T05:35:51Z) - SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence
Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。
本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。
我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文 参考訳（メタデータ） (2023-07-17T13:33:11Z) - CurveCloudNet: Processing Point Clouds with 1D Structure [49.137477909835276]
我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。
CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。
CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-21T17:41:36Z) - Complementary consistency semi-supervised learning for 3D left atrial
image segmentation [9.836802392009618]
CC-Netは半教師付き左房画像セグメンテーションのためのネットワークである。
補完情報の観点から、ラベルのないデータを効率的に活用する。
CC-Netは2つのパブリックデータセットで検証されている。
論文 参考訳（メタデータ） (2022-10-04T07:50:28Z) - Dual-Cross Central Difference Network for Face Anti-Spoofing [54.81222020394219]
対面防止(FAS)は、顔認識システムを保護する上で重要な役割を担っている。
中央差分畳み込み(CDC)は、FASタスクの優れた表現能力を示しています。
中心と周囲の局所的な特徴の差を利用した2つのC-CDC(Cross Central difference Convolutions)を提案する。
論文 参考訳（メタデータ） (2021-05-04T05:11:47Z) - BiCnet-TKS: Learning Efficient Spatial-Temporal Representation for Video
Person Re-Identification [86.73532136686438]
映像人物再識別(reID)のための効率的な時空間表現法を提案する。
空間相補性モデリングのための双方向相補性ネットワーク(BiCnet)を提案する。
BiCnet-TKSは、約50%の計算量で最先端の性能を発揮する。
論文 参考訳（メタデータ） (2021-04-30T06:44:34Z) - Cluster-to-Conquer: A Framework for End-to-End Multi-Instance Learning
for Whole Slide Image Classification [7.876654642325896]
本稿では,WSI (Whole Slide Images) からのパッチを$k$-groupsにクラスタリングし,各グループから$k'$のパッチをサンプルし,スライドレベルの予測に適応的な注意機構を用いるエンドツーエンドフレームワークを提案する。
このフレームワークは、スライドレベルのクロスエントロピー、パッチレベルのクロスエントロピー、KLの分散損失に最適化されている。
論文 参考訳（メタデータ） (2021-03-19T04:24:01Z) - Searching Central Difference Convolutional Networks for Face
Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。
最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。
ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文 参考訳（メタデータ） (2020-03-09T12:48:37Z)
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。