Variational Point Encoding Deformation for Dental Modeling

要約

デジタル歯科医療は近年大幅に進歩しましたが、まだ多くの課題が残されています。
この研究では、さらなる研究を促進するために、歯のメッシュの新しい大規模なデータセットを公開します。
さらに、点群表現の確率的学習を可能にするために FoldingNet を拡張する、variational FoldingNet (VF-Net) を提案します。
点群の既存の潜在変数モデルにおける主な課題は、入力点と出力点の間に 1 対 1 のマッピングが存在しないことです。
代わりに、面取り距離の最適化に依存する必要があります。面取り距離は、正規化された分布に相当するものが存在しないため、確率モデルでの使用が妨げられます。
面取り距離の明示的な最小化を適切なエンコーダで置き換えることができることを実証します。これにより、確率的拡張を簡素化しながら計算効率を高めることができます。
私たちの実験結果は、歯科スキャンの再構成と外挿の点で、VF-Net が既存のモデルよりも優れたパフォーマンスを示している経験的証拠を示しています。
さらに、私たちの調査では、VF-Net の潜在表現の堅牢性が強調されています。
これらの結果は、点群の再構築と解析のための効果的かつ信頼性の高い方法として VF-Net が有望であることを強調しています。

要約(オリジナル)

Digital dentistry has made significant advancements in recent years, yet numerous challenges remain to be addressed. In this study, we release a new extensive dataset of tooth meshes to encourage further research. Additionally, we propose Variational FoldingNet (VF-Net), which extends FoldingNet to enable probabilistic learning of point cloud representations. A key challenge in existing latent variable models for point clouds is the lack of a 1-to-1 mapping between input points and output points. Instead, they must rely on optimizing Chamfer distances, a metric that does not have a normalized distributional counterpart, preventing its usage in probabilistic models. We demonstrate that explicit minimization of Chamfer distances can be replaced by a suitable encoder, which allows us to increase computational efficiency while simplifying the probabilistic extension. Our experimental findings present empirical evidence demonstrating the superior performance of VF-Net over existing models in terms of dental scan reconstruction and extrapolation. Additionally, our investigation highlights the robustness of VF-Net’s latent representations. These results underscore the promising prospects of VF-Net as an effective and reliable method for point cloud reconstruction and analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google