論文の概要: SemEllipsoid: Semantic-aware Shape Abstraction with Ellipsoid

• arxiv url: http://arxiv.org/abs/2610.42145v1
• Date: Fri, 30 Oct 2026 17:59:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.868401
• Title: SemEllipsoid: Semantic-aware Shape Abstraction with Ellipsoid
• Title（参考訳）: SemEllipsoid:Semantic-aware shapeAbstraction with Ellipsoid
• Abstract要約: 形状抽象化と呼ばれる一連のプリミティブを用いて3次元形状を表現することは、コンピュータグラフィックスにおいて活発に研究されている問題である。 楕円型プリミティブを用いてこの問題に対処する新しい方法であるSemEllipsoidを提案する。 本手法は非学習型であり,データ収集やネットワークトレーニングは必要とせず,任意のカテゴリの形状をうまく一般化する。
• 参考スコア（独自算出の注目度）: 14.062946941937916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representing 3D shapes using a set of primitives - known as shape abstraction - is an actively studied problem in computer graphics with wide applications in shape understanding, analysis, and simulation due to the compactness and computational efficiency of the primitive-based representation. Prior work has primarily focused on geometry-aware shape abstraction, where the objective is to approximate the input shape with a minimal set of primitives while preserving geometric fidelity. However, these methods often overlook semantic consistency, inevitably leading to primitives that span across multiple semantic parts. Such inconsistency can cause undesirable artifacts in downstream tasks such as part-level shape editing or manipulation. In this paper, we introduce a new task - semantic-aware shape abstraction, where the goal is to produce abstractions that are both geometrically faithful and semantically consistent, ensuring that each primitive adheres strictly to a single semantic part without crossing semantic boundaries. We propose SemEllipsoid, a novel method to address this problem using ellipsoidal primitives. The core idea is to inject semantic constraints into the primitive optimization process leveraging the availability of semantic cues from large-scale foundation models. We design a fully differentiable projection-blending-evaluation scheme to measure semantic divergence against input semantic masks, and formulate an alternating optimization strategy to iteratively solve for optimal semantic assignment and primitive configurations. Our method is non-learning-based, requiring no data collection or network training, and generalizes well to shapes from arbitrary categories. It also supports different levels of abstraction according to user demand. Extensive experiments and evaluations validate the effectiveness of our approach across several 3D shape collections.
• Abstract（参考訳）: 形状抽象化と呼ばれる一連のプリミティブを用いて3次元形状を表現することは、プリミティブベース表現のコンパクトさと計算効率により、形状理解、解析、シミュレーションに広く応用されるコンピュータグラフィックスにおいて活発に研究されている問題である。 それまでの研究は主に幾何学的な形状の抽象化に重点を置いてきたが、その目的は幾何学的忠実性を維持しながら最小限の原始集合で入力形状を近似することである。 しかし、これらのメソッドはしばしば意味的一貫性を見落とし、必然的に複数の意味的部分にまたがるプリミティブに繋がる。 このような矛盾は、部分レベルの形状の編集や操作といった下流タスクにおいて望ましくない成果物を引き起こす可能性がある。 本稿では,各プリミティブがセマンティック境界を越えることなく,単一のセマンティック部分に厳密に従属することを保証し,幾何学的に忠実かつセマンティックに整合した抽象化を作成することを目的として,セマンティック・アウェア・シェイプ・抽象化という新たなタスクを導入する。 楕円型プリミティブを用いてこの問題に対処する新しい方法であるSemEllipsoidを提案する。 中心となる考え方は、大規模基盤モデルからのセマンティックキューの可用性を活用するプリミティブ最適化プロセスにセマンティック制約を注入することである。 入力セマンティックマスクに対する意味のばらつきを計測し、最適なセマンティック割り当てとプリミティブ設定のために反復的に解決する最適化戦略を定式化するために、完全に微分可能なプロジェクションブレンディング評価スキームを設計する。 本手法は非学習型であり,データ収集やネットワークトレーニングは必要とせず,任意のカテゴリの形状をうまく一般化する。 ユーザの要求に応じて、さまざまなレベルの抽象化もサポートしています。 広範囲な実験と評価により, 複数個の3次元形状コレクションにまたがるアプローチの有効性が検証された。

関連論文リスト

• Aligning Instance-Semantic Sparse Representation towards Unsupervised Object Segmentation and Shape Abstraction with Repeatable Primitives [48.155145581663724]
  3Dオブジェクトの形状を理解するには、インスタンスとセマンティックセグメンテーションの結果から抽象化されたオブジェクト部品による形状表現が必要である。 セマンティック・アウェア・シェイプ表現のための一段階的、完全に教師なしのフレームワークを提案する。 このフレームワークは、高次元空間におけるオブジェクト部分のスパース表現と特徴アライメントを通じて、統合インスタンスのセグメンテーション、セマンティックセグメンテーション、形状抽象化を生成する。
  論文  参考訳（メタデータ） (2025-03-10T05:52:17Z)
• Learning Fine-to-Coarse Cuboid Shape Abstraction [7.152103069753289]
  立方体のような単純な幾何学的原始体による3Dオブジェクトの抽象化は、複雑な幾何学から構造情報を推測することができる。 そこで我々は,3次元形状の抽象的な収集のための非教師なし学習手法を新たに導入した。 以上の結果から,従来の立方体形状の抽象化技術よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2025-02-03T22:06:26Z)
• DeFormer: Integrating Transformers with Deformable Models for 3D Shape Abstraction from a Single Image [31.154786931081087]
  本稿では,パラメータ化デフォルマブルモデルと統合された新しいバイチャネルトランスフォーマアーキテクチャを提案し,プリミティブのグローバルおよび局所的な変形を同時に推定する。 DeFormerは、最先端技術よりもより良い再構築精度を実現し、一貫したセマンティック対応で可視化し、解釈性を向上させる。
  論文  参考訳（メタデータ） (2023-09-22T02:46:43Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• Zero-shot point cloud segmentation by transferring geometric primitives [68.18710039217336]
  ゼロショットポイントクラウドセマンティックセマンティックセマンティックセマンティクスについて検討し、そこではネットワークが見えないオブジェクトに対してトレーニングされ、見えないオブジェクトをセマンティクスできる。 本研究では,視覚的および視覚的カテゴリーのオブジェクトで共有される幾何学的プリミティブを学習し,言語と学習された幾何学的プリミティブとの微粒なアライメントを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-18T15:06:54Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Primitive-based Shape Abstraction via Nonparametric Bayesian Inference [29.7543198254021]
  本稿では,未知数の幾何学的プリミティブからなる抽象化を点雲から推論する,新しい非パラメトリックベイズ統計法を提案する。 提案手法は精度において最先端の手法より優れており,様々な種類のオブジェクトに対して一般化可能である。
  論文  参考訳（メタデータ） (2022-03-28T13:00:06Z)
• Learning Semantic Abstraction of Shape via 3D Region of Interest [18.4921116429818]
  本稿では,3次元形状の抽象化と意味解析を共同で行う手法を提案する。 提案手法はまず,3次元形状の候補領域を複数生成する。 次に、これらの候補を用いて、セマンティックなカテゴリを直接予測し、深層畳み込みニューラルネットワークを用いて候補領域のパラメータを同時に洗練する。
  論文  参考訳（メタデータ） (2022-01-13T13:08:30Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。