論文の概要: Hyper-Network Neural Functional Maps for Unsupervised Robust 3D Shape Matching

• arxiv url: http://arxiv.org/abs/2606.30131v1
• Date: Mon, 29 Jun 2026 11:09:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.200287
• Title: Hyper-Network Neural Functional Maps for Unsupervised Robust 3D Shape Matching
• Title（参考訳）: 教師なしロバスト3次元形状マッチングのためのハイパーネットワークニューラル関数写像
• Abstract要約: 我々は非線形神経機能マップ(NFM)を予測するハイパーネットワークを導入する。 我々のフレームワークは、新しい教師なしスペクトルアライメント損失を用いて訓練されている。 私たちのアプローチは、最先端の教師なしの深い関数型マップパイプラインにシームレスに統合できます。
• 参考スコア（独自算出の注目度）: 33.33962886340812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional maps are the cornerstone of recent non-rigid 3D shape matching methods due to their efficiency and performance. However, existing methods struggle with challenging scenarios, such as partiality, topological noise, and raw point clouds. A primary bottleneck is that significant intrinsic distortion prevents truncated spectral bases from being accurately aligned via linear transformations (i.e., functional maps). To address this, we introduce a hyper-network that predicts non-linear neural functional maps (NFM), learned in an unsupervised manner, to better align spectral bases. Specifically, we model the NFM as an MLP with skip-connection to refine standard FM and employ a hyper-network to predict its weights, conditioned on standard FM. Our framework is trained using a novel unsupervised spectral alignment loss. Experiments demonstrate that our approach can be seamlessly integrated into state-of-the-art unsupervised deep functional map pipelines, substantially improving matching accuracy in demanding scenarios.
• Abstract（参考訳）: 関数写像は、その効率と性能から、最近の非剛性な3次元形状マッチング法の基礎となっている。 しかし、既存の手法は部分性、トポロジカルノイズ、生の点雲といった難解なシナリオに悩まされている。 主なボトルネックは、重要な内在歪みは、歪んだスペクトル基底が線形変換(すなわち関数写像)によって正確に整列されることを防ぐことである。 これを解決するために,非線形神経機能マップ(NFM)を非教師なしで学習し,スペクトル基底の整合性を向上するハイパーネットワークを導入する。 具体的には, NFM をスキップ接続型 MLP としてモデル化し, 標準 FM を改良し, 標準 FM 上での重み予測にハイパーネットワークを用いた。 我々のフレームワークは、新しい教師なしスペクトルアライメント損失を用いて訓練されている。 実験により、我々のアプローチは最先端の教師なしの深い関数型マップパイプラインにシームレスに統合され、要求シナリオのマッチング精度が大幅に向上することを示した。

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Keep It CALM: Toward Calibration-Free Kilometer-Level SLAM with Visual Geometry Foundation Models via an Assistant Eye [34.902300948471314]
  CAL2Mは任意のVGFMと互換性のあるプラグイン・アンド・プレイのフレームワークである。 一定の物理的間隔の先行を利用するためだけに「補助眼」を使用する。 不正確な内因論による回転と翻訳の誤りを効果的に正すことができる。
  論文  参考訳（メタデータ） (2026-04-16T08:58:57Z)
• Self-Flow-Matching assisted Full Waveform Inversion [10.422441176688597]
  フルウェーブフォームインバージョン(Full-waveform Inversion、FWI)は、シミュレーションおよび記録された波形のマッチングにより地下速度を推定する高分解能地震探査法である。 FWIは非常に非線形で、サイクルスキップしやすく、ノイズに敏感である。 本稿では,大規模オフライン事前学習の必要性を解消する物理駆動型フレームワークであるSFM-FWI(Self-Flow-Matching Assisted Full-Waveform Inversion)を紹介する。
  論文  参考訳（メタデータ） (2026-03-13T02:10:01Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• 3D Wavelet Convolutions with Extended Receptive Fields for Hyperspectral Image Classification [12.168520751389622]
  ディープニューラルネットワークは、ハイパースペクトル画像分類において多くの課題に直面している。 本稿ではウェーブレット変換と統合された改良型3D-DenseNetモデルWCNetを提案する。 実験結果から,IN,UP,KSCデータセットにおいて優れた性能を示した。
  論文  参考訳（メタデータ） (2025-04-15T01:39:42Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Implicit Neural Representation For Accurate CFD Flow Field Prediction [0.0]
  航空機エンジンタービンと圧縮機のブレードに適用した3次元流れ場予測のためのディープラーニングフレームワークを提案する。 我々は、任意の3Dフィールドを、バックボーンネットと呼ばれるニューラルネットワークによってモデル化された座標からの関数と見なす。 境界層、ウェイク、衝撃波などの重要な流れ特性を正確に描画することができる。
  論文  参考訳（メタデータ） (2024-08-12T20:41:07Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• NCP: Neural Correspondence Prior for Effective Unsupervised Shape Matching [31.61255365182462]
  我々は3次元形状間の対応を計算するための新しいパラダイムであるニューラル対応優先(NCP)を提案する。 我々のアプローチは完全に教師なしであり、挑戦する場合でも高品質な対応に繋がる可能性がある。 NCPは、多くのタスクにおいて、データ効率、高速、そして最先端の結果であることを示す。
  論文  参考訳（メタデータ） (2023-01-14T07:22:18Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)

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。