文献

J-GLOBAL ID：202002267335038240   整理番号：20A2733998

3D形状構造合成のためのプログラム生成のための形状組立学習【JST・京大機械翻訳】

ShapeAssembly learning to generate programs for 3D shape structure synthesis

著者 (8件)： Jones R. Kenny (Brown University) ,  Barton Theresa (Brown University) ,  Xu Xianghao (Brown University) ,  Wang Kai (Brown University) ,  Jiang Ellen (Brown University) ,  Guerrero Paul (Adobe Research) ,  Mitra Niloy J. (University College London, Adobe Research) ,  Ritchie Daniel (Brown University)
資料名： ACM Transactions on Graphics  (ACM Transactions on Graphics)
巻： 39  号： 6  ページ： 1-20  発行年： 2020年 
JST資料番号： W0137A  ISSN： 0730-0301  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 3D形状の手作業は困難で時間がかかる。3D形状の生成モデルは,有力な代替案を提供する。手続き表現はそのような可能性の1つである:それらは高品質で編集可能な結果を提供するが,著者が困難であり,しばしば限られた多様性で出力を生成する。他の極値は深い生成モデルであり,十分なデータを与えると,それらはどのようなクラスの形状を生成するかを学習できるが,それらの出力はアーチファクトを持ち,表現は編集できない。本論文では,新しい3D形状合成のために,両方の世界を最良に達成するためのステップを取り上げる。第1に,3D形状構造のためのドメイン特異的「集合-言語」である形状集合を提案した。形状集合プログラムは,立方部分プロキシを宣言し,それらを階層的で対称的な方法で互いに結合することにより,形状構造を構築する。形状集合関数は連続自由変数でパラメータ化され,一つのプログラム構造は関連する形状のファミリーを捉えることができる。著者らは,PartNetデータセットにおける既存の形状構造から形状集合プログラムを抽出する方法を示した。次に,新しい形状集合プログラムを書き込むために学習する階層的シーケンスVAEである深層生成モデルを訓練する。本手法は,各表現の強みを活用し,プログラムは解釈可能かつ編集可能な形状変動の部分集合を捕捉し,深層生成モデルは手続き的に表現するのが難しい形状収集の変動性と相関を捉える。生成されたプログラムによる形状出力を,他の最近の形状構造合成モデルからのものと比較することにより,この手法を評価した。著者らが生成した形状は他の方法よりも,より妥当で物理的に検証されることを見出した。さらに,これらのモデルの潜在空間を評価し,著者らの結果がより構造化され,より滑らかな補間を生成することを見出した。応用として,著者らは,点雲のような非構造化幾何学に形状プログラムを推論し,適合させるために,著者らの生成モデルと微分可能なプログラム解釈器を使用した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 幾何学 ,  対称性 ,  *学習 ,  言語 ,  微分 ,  プログラム構造 ,  深層 ,  アーチファクト ,  パラメタリゼーション
準シソーラス用語： プロキシ ,  *三次元形状 ,  高品質 ,  生成モデル ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  生成モデル ,  神経記号モデル ,  手続きモデリング ,  形状解析 ,  形状合成

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 3D形状 ,  組立 ,  学習