固有ニューラル場:多様体上の学習関数【JST・京大機械翻訳】

Koestler Lukas; Grittner Daniel; Moeller Michael; Cremers Daniel; Laehner Zorah

プレプリント

J-GLOBAL ID：202202221206002337 整理番号：22P0304617

固有ニューラル場:多様体上の学習関数【JST・京大機械翻訳】

Intrinsic Neural Fields: Learning Functions on Manifolds

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月15日プレプリントサーバーでの情報更新日： 2022年03月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ニューラルフィールドは,新しいビュー合成,幾何学再構成,および生成モデリングにおける優れた性能のために,コンピュータビジョンコミュニティにおいて大きな注目を集めている。それらの利点のいくつかは,健全な理論的基礎と現在の深層学習フレームワークにおける容易な実装である。神経場は多様体上の信号に応用されているが,例えばテクスチャ再構成のために,それらの表現は,ユークリッド空間に形状を外因的に埋め込むために制限されてきた。外因性埋込みは既知の固有多様体特性を無視し,学習関数の柔軟なwrt.転送である。これらの限界を克服するために,本研究では,多様体上の神経場に対する新規で多目的な表現である固有神経場を紹介した。固有神経場はLaplace-Beltrami演算子のスペクトル特性と神経場の利点を結合した。固有神経場は,外因性神経場フレームワークの多くの望ましい特性を継承するが,等値不変性のような付加的固有品質を示す。実験では,固有神経場が最先端品質の画像から高忠実度テクスチャを再構成でき,基礎となる多様体の離散化に対してロバストであることを示した。ここでは,様々なアプリケーション,すなわち変形形状および異なる形状間のテクスチャ移動,ビュー依存性を有する実世界画像からのテクスチャ再構成,およびメッシュおよびポイントクラウドに関する離散化-診断学習,による固有ニューラルフィールドの多用途性を実証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般 , 人工知能

前のページに戻る