論文の概要: TokenMatch: 3D Mesh Correspondence Transformer with Curvature-Guided Tokenisation
- arxiv url: http://arxiv.org/abs/2609.04202v1
- Date: Thu, 03 Sep 2026 17:59:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.204693
- Title: TokenMatch: 3D Mesh Correspondence Transformer with Curvature-Guided Tokenisation
- Title（参考訳）: TokenMatch: 曲率誘導型トークン化による3Dメッシュ対応トランス
- Abstract要約: TokenMatchは3次元形状対応を推定するトランスフォーマーベース統一モデルである。
当社のフィードフォワードアプローチは,非等尺部分-部分形状マッチングデータセットであるBeCoSに特化してトレーニングされている。
TokenMatchをCP2P, PSMAL, BeCoS, FAUST, SCAPE, SHREC'19を含む部分的および完全形状マッチングの標準ベンチマークで評価した。
- 参考スコア（独自算出の注目度）: 39.05672576418673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While data-driven 3D shape correspondence estimation has recently seen substantial progress, robust matching under partial observations and strong non-isometric deformations remains challenging. Existing learning-based approaches often rely on hand-crafted descriptors or template-based representations, whereas recent generative models over functional maps suffer from high inference cost, limited interpretability, and poor generalisation to partial shapes. In response to these limitations, this paper introduces TokenMatch, a new transformer-based unified model for estimating 3D shape correspondences. Our feed-forward approach trained exclusively on BeCoS, a challenging non-isometric partial-to-partial shape-matching dataset, can generalise to matching full shapes without retraining or fine-tuning. TokenMatch uses self- and cross-attention mechanisms to efficiently learn patch-level and point-level relations as well as dense correspondences between shape pairs. Our core insight is that meshes can be adaptively tokenised into patches using shape curvature guidance, enabling effective learning of shape-specific geometric descriptors for correspondence estimation. We evaluate TokenMatch on standard benchmarks for partial and full shape matching, including CP2P, PSMAL, BeCoS, FAUST, SCAPE, and SHREC'19. Our method achieves consistently high performance, in most cases outperforming existing methods for partial and full shape matching in the mean geodesic error and intersection-over-union metrics, while also running faster at sub-second inference speeds.
- Abstract（参考訳）: データ駆動型3次元形状対応推定は近年かなり進歩しているが、部分的な観測と強い非等尺変形の下での頑健なマッチングは依然として困難である。
既存の学習ベースのアプローチは手作りの記述子やテンプレートベースの表現に頼っていることが多いが、関数型マップに対する最近の生成モデルは高い推論コスト、限定的な解釈可能性、部分的な形状への一般化の欠如に悩まされている。
これらの制約に対応するために,本論文では3次元形状対応を推定する新しい変換器を用いた統一モデルであるTokenMatchを紹介する。
当社のフィードフォワードアプローチは,非等尺部分-部分形状マッチングデータセットであるBeCoSに特化してトレーニングされている。
TokenMatchは、セルフおよびクロスアテンションメカニズムを使用して、パッチレベルとポイントレベルの関係を効率よく学習し、形状ペア間の密接な対応を学習する。
我々の中核的な洞察は、メッシュを形状曲率誘導を用いてパッチに適応的にトークン化することで、対応推定のための形状特異な幾何学的記述子を効果的に学習できるということである。
TokenMatchをCP2P, PSMAL, BeCoS, FAUST, SCAPE, SHREC'19を含む部分的および完全形状マッチングの標準ベンチマークで評価した。
提案手法は,平均測地誤差と交叉重畳距離において,部分的および完全形状整合の既存手法よりも高速であり,また,サブ秒の推論速度でも高速に動作可能である。
関連論文リスト
- An Integer Linear Programming Approach to Geometrically Consistent Partial-Partial Shape Matching [69.56116761337786]
部分部分的な形状マッチングの課題に対処するために特別に設計された最初の整数線形プログラミング手法を導入する。
提案手法は, 一致誤差と滑らかさの両面から, 高品質なマッチング結果を実現する。
論文 参考訳（メタデータ） (2026-02-06T10:34:52Z) - Matching Shapes Under Different Topologies: A Topology-Adaptive Deformation Guided Approach [6.851721795186258]
非厳密な3Dメッシュマッチングは、コンピュータビジョンとコンピュータグラフィックスパイプラインにおける重要なステップである。
トポロジカルアーティファクトを含むメッシュに取り組み、現在のアプローチによる仮定を破ることができる。
私たちは、しばしばトポロジカルなアーティファクトに悩まされる、フレームごとのマルチビュー再構築のような現実世界のシナリオに動機付けられています。
提案手法は, 従来のデータ駆動手法に頼らず, 3次元アライメント品質の大規模データセットでトレーニングした手法よりも, ノイズの多いフレーム単位のマルチビュー再構成を含む, トポロジカルアーチファクトの非等尺形状や形状に適用される。
論文 参考訳（メタデータ） (2025-09-08T16:29:44Z) - NFR: Neural Feature-Guided Non-Rigid Shape Registration [1.5677990844097902]
私たちの重要な洞察は、ディープラーニングベースの形状マッチングネットワークから学んだニューラルネットワーク機能を、反復的で幾何学的な形状登録パイプラインに組み込むことです。
我々のパイプラインは、厳密でない点クラウドマッチングと部分的な形状マッチングのベンチマークで、最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-05-28T15:08:49Z) - Efficient Autoregressive Shape Generation via Octree-Based Adaptive Tokenization [68.07464514094299]
既存の方法では、すべての形状を固定サイズのトークンにエンコードし、3Dデータにまたがるスケールと複雑さの固有のバリエーションを無視している。
形状の複雑さに応じて潜在表現の次元を調節する新しいフレームワークであるOctoreeをベースとした適応トークン化を提案する。
当社の手法では,同等の視覚的品質を維持しながら,固定サイズの手法に比べてトークン数を50%削減する。
論文 参考訳（メタデータ） (2025-04-03T17:57:52Z) - Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳（メタデータ） (2024-02-29T07:26:23Z) - Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。
本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
論文 参考訳（メタデータ） (2023-11-27T09:55:55Z) - Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。
我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。
我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-11-08T06:52:57Z) - G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity
Priors [52.646396621449]
G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。
学習形態の集合に親和性グラフを自己教師型で構築する。
近年の形状対応ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2022-12-06T12:09:24Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。
我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
論文 参考訳（メタデータ） (2021-10-06T18:09:13Z)
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。