論文の概要: GEKey: Learning Geodesic Eccentric 3D Keypoints via Self-Supervision

• arxiv url: http://arxiv.org/abs/2611.07677v1
• Date: Thu, 05 Nov 2026 09:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.612913
• Title: GEKey: Learning Geodesic Eccentric 3D Keypoints via Self-Supervision
• Title（参考訳）: GEKey: 自己スーパービジョンによる測地線中心の3Dキーポイントの学習
• Abstract要約: GEKeyは、測地偏心変換を用いて有意な点を識別する自己教師型フレームワークである。 これらの点が擬似ラベルとして機能し、その予測を対象の本質的な構造と整列させるモデルを訓練する。 ShapeNetCoreV2、KeypointNet、CAPE、ITOP、DeformingThings4Dの実験では、キーポイント検出とアライメントの両方で最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 1.0259341218563047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds represent 3D object geometry as sets of spatial coordinates. A fundamental task in their analysis is keypoint detection, i.e., identifying a sparse subset of points that captures the most salient features. While supervised methods rely on manual annotations, unsupervised approaches leverage intrinsic geometric properties to localize keypoints without human input. We introduce GEKey, a self-supervised framework that uses the geodesic eccentricity transform, an SE(3)-invariant geometric measure, to identify instance-specific salient points. These points serve as pseudo-labels to train a model that aligns its predictions with the object's intrinsic structure. GEKey is simple, efficient, and robust, preserving intra-class variation by balancing instance-specific and category-level structure. Extensive experiments on ShapeNetCoreV2, KeypointNet, CAPE, ITOP, and DeformingThings4D show state-of-the-art performance in both keypoint detection and alignment, with strong resilience to noise, downsampling, deformations, and real-world conditions. The code and pretrained models are available at https://github.com/Pierreoo/GEKey.
• Abstract（参考訳）: 点雲は空間座標の集合として3次元オブジェクト幾何学を表す。 彼らの分析における基本的なタスクは、キーポイントの検出、すなわち最も有能な特徴を捉えた点のまばらな部分集合を識別することである。 教師付き手法は手動のアノテーションに依存するが、教師なし手法は固有の幾何学的特性を活用して、人間の入力なしにキーポイントをローカライズする。 本稿では,SE(3)不変な幾何測度である測地偏心変換(gedesic eccentricity transform,SE(3)不変幾何測度)を用いて,インスタンス固有の有向点を同定する自己教師型フレームワークGEKeyを紹介する。 これらの点が擬似ラベルとして機能し、その予測を対象の本質的な構造と整列させるモデルを訓練する。 GEKeyはシンプルで効率的で堅牢で、インスタンス固有の構造とカテゴリレベルの構造のバランスをとることでクラス内の変動を保存する。 ShapeNetCoreV2、KeypointNet、CAPE、ITOP、DeformingThings4Dの大規模な実験は、キーポイントの検出とアライメントの両方において、ノイズ、ダウンサンプリング、変形、実世界の条件に対する強い耐性を持つ最先端のパフォーマンスを示している。 コードと事前訓練されたモデルはhttps://github.com/Pierreoo/GEKey.comで入手できる。

関連論文リスト

• KeyPointDiffuser: Unsupervised 3D Keypoint Learning via Latent Diffusion Models [3.6047642906482147]
  本稿では,空間的に構造化された3次元キーポイントを点雲データから学習するための教師なしフレームワークを提案する。 これらのキーポイントはコンパクトで解釈可能な表現として機能し、Eucidated Diffusion Model (EDM) を用いて完全な形状を再構築する。 提案手法は多種多様な対象カテゴリにまたがって高い性能を達成し,従来の手法に比べてキーポイントの一貫性が6ポイント向上した。
  論文  参考訳（メタデータ） (2025-12-03T05:08:03Z)
• Instance-Adaptive Keypoint Learning with Local-to-Global Geometric Aggregation for Category-Level Object Pose Estimation [19.117822086210513]
  カテゴリレベルのオブジェクトのポーズ推定は、事前に定義されたカテゴリから未確認のインスタンスの6Dのポーズとサイズを予測することを目的としている。 Instance-Adaptive Keypoint Learningを可能にする新しいカテゴリレベルのオブジェクトポーズ推定フレームワークであるINKL-Poseを提案する。 CAMERA25、REAL275、HouseCat6Dの実験では、INKL-Poseは16.7Mパラメータで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-04-21T14:37:37Z)
• SelfGeo: Self-supervised and Geodesic-consistent Estimation of Keypoints on Deformable Shapes [19.730602733938216]
  自己教師型手法であるSelfGeoは、人間のアノテーションを必要とせず、任意のPCDから非剛体物体の3次元キーポイントを計算する。 我々の主な貢献は、そのキーポイントをその形状に沿って変形させ、その間の測地線距離を一定に保つことである。 本研究では,測地学の利用が動的シーンに挑戦する上で明らかな優位性があることを実験的に示す。
  論文  参考訳（メタデータ） (2024-08-05T08:00:30Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• UKPGAN: A General Self-Supervised Keypoint Detector [43.35270822722044]
  UKPGANは一般的な3Dキーポイント検出器である。 私たちのキーポイントは、注釈付きキーポイントラベルとよく一致します。 我々のモデルは、剛性と非剛性変換の両方の下で安定である。
  論文  参考訳（メタデータ） (2020-11-24T09:08:21Z)

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。