Główne pojęcia
本研究では、3D形状コレクションから変形可能な部品テンプレートを学習する、教師なし3D形状共同セグメンテーション手法を提案する。形状の構造的な変化に対応するため、各形状は選択されたテンプレート部品のサブセットを使って構成される。部品の多様な幾何学的変化をモデル化するために、部品ごとの変形ネットワークを導入し、元の部品の忠実性を確保するための制約を課す。また、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。
Streszczenie
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。
Statystyki
各形状の部品セグメンテーションの平均IOU(Intersection over Union)は76.9%
飛行機カテゴリの平均IOU は78.0%
椅子カテゴリの平均IOU は85.5%
ギターカテゴリの平均IOU は88.4%
Cytaty
"本研究では、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。"
"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。"