Scalable Geometric Fracture Assembly via Co-creation Space among Assemblers

要約

幾何学的な破壊アセンブリは、考古学と 3D コンピュータ ビジョンにおいて困難な実践的な課題となります。
これまでの方法は、セマンティック情報に基づいてフラグメントを組み立てることのみに焦点を当てていたため、効果的に組み立てることができるオブジェクトの量が制限されていました。
したがって、意味情報に依存せずに幾何学的破壊アセンブリのためのスケーラブルなフレームワークを開発する必要がある。
セマンティック情報なしで幾何学的なフラクチャを組み立てる効率を向上させるために、フラクチャを徐々にかつ明確に組み立てることができる複数のアセンブラで構成される共創スペースを提案します。
さらに、新しい損失関数、つまり幾何学ベースの衝突損失を導入して、破壊アセンブリプロセス中の衝突問題に対処し、結果を強化します。
私たちのフレームワークは、既存の最先端のフレームワークと比較して、PartNet データセットと Breaking Bad データセットの両方で優れたパフォーマンスを示します。
広範な実験と定量的比較により、線形計算の複雑さ、強化された抽象化、および改善された一般化を特徴とする、私たちが提案するフレームワークの有効性が実証されています。
私たちのコードは https://github.com/Ruiyuan-Zhang/CCS で公開されています。

要約(オリジナル)

Geometric fracture assembly presents a challenging practical task in archaeology and 3D computer vision. Previous methods have focused solely on assembling fragments based on semantic information, which has limited the quantity of objects that can be effectively assembled. Therefore, there is a need to develop a scalable framework for geometric fracture assembly without relying on semantic information. To improve the effectiveness of assembling geometric fractures without semantic information, we propose a co-creation space comprising several assemblers capable of gradually and unambiguously assembling fractures. Additionally, we introduce a novel loss function, i.e., the geometric-based collision loss, to address collision issues during the fracture assembly process and enhance the results. Our framework exhibits better performance on both PartNet and Breaking Bad datasets compared to existing state-of-the-art frameworks. Extensive experiments and quantitative comparisons demonstrate the effectiveness of our proposed framework, which features linear computational complexity, enhanced abstraction, and improved generalization. Our code is publicly available at https://github.com/Ruiyuan-Zhang/CCS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google