抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
陰的ニューラルネットワークは,点雲からの表面再構成のために首尾よく使用された。しかしながら,それらの多くは,単一潜在ベクトルに全オブジェクトまたはシーンの等表面関数を符号化するので,スケーラビリティ問題に直面している。この限界を克服するために,少数のアプローチが,粗い規則的3D格子または3Dパッチ上の潜在ベクトルを推論し,それらを回答占有クエリに補間する。そうすることで,それらはオブジェクトの表面上にサンプリングされた入力点との直接接続を緩やかにし,それらは,それが,最も,すなわち,表面近くで,それよりも,むしろ空間で情報を均一に付着する。そのうえ,固定パッチサイズに依存するのは,離散化調整を必要とするかもしれない。これらの問題に取り組むために,ポイントクラウド畳込みを用いて,各入力ポイントで潜在ベクトルを計算した。次に,推定重みを用いて最近傍の学習ベース補間を行った。オブジェクトとシーンデータセットの両方に関する実験は,著者らのアプローチが,最も古典的メトリックスに関して他の方法よりも著しく優れ,より細かな詳細を生成し,より薄いボリュームを再構成することを示した。コードはhttps://github.com/valeoai/POCOで利用可能である。【JST・京大機械翻訳】