本研究は、3D形状コレクションから教師なしで細かい、一貫性のある部品セグメンテーションを学習する手法を提案している。
主な特徴は以下の通り:
変形可能な部品テンプレートを学習し、各形状を選択されたテンプレート部品のアフィン変換と局所的な変形によって構成する。これにより、形状の構造的な変化に対応できる。
部品ごとの変形ネットワークを導入し、部品の多様な幾何学的変化をモデル化する。同時に、元の部品の忠実性を確保するための制約を課す。
局所的な最小値を効果的に克服するための訓練スキームを提案する。
ShapeNet Part、DFAUST、Objaverseデータセットで実験を行い、従来手法を大きく上回る性能を示す。
学習した部品セグメンテーションを用いて、形状クラスタリングやパーツレベルの形状詳細化などのアプリケーションを実現する。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Zhiqin Chen,... om arxiv.org 04-29-2024
https://arxiv.org/pdf/2311.13125.pdfDiepere vragen