Neural Bounding

要約

バウンディング ボリュームはコンピュータ グラフィックスやビジョン タスクにおいて確立された概念ですが、その初期の頃からほとんど変化が見られません。
この研究では、境界ボリュームとしてのニューラル ネットワークの使用を研究します。
私たちの重要な観察は、これまで主に計算幾何学の問題と考えられてきた境界が、空間を自由空間と占有空間に分類する学習の問題として再定義できるということです。
この学習ベースのアプローチは、複雑なクエリを含むアニメーション シーンなど、ニューラル ネットワークが優れていることが知られている高次元空間で特に有利です。
ただし、ニューラル境界のロックを解除するには、工夫が必要です。つまり、偽陽性の数を厳密にゼロにしながら、偽陽性を許可するだけでなく、制限することです。
動的に重み付けされた非対称損失関数を使用して、このような厳格で保守的な結果を実現します。
私たちの結果は、ニューラルバウンディングが従来の方法よりも最大で1桁少ない偽陽性を生成することを示しています。
さらに、クエリ速度を 25% 高速化する早期終了を使用した境界方法の拡張を提案します。
また、私たちのアプローチが数秒以内にトレーニングする非深層学習モデルにも適用できることも示します。
私たちのプロジェクト ページは https://wenxin-liu.github.io/neural_bounding/ にあります。

要約(オリジナル)

Bounding volumes are an established concept in computer graphics and vision tasks but have seen little change since their early inception. In this work, we study the use of neural networks as bounding volumes. Our key observation is that bounding, which so far has primarily been considered a problem of computational geometry, can be redefined as a problem of learning to classify space into free or occupied. This learning-based approach is particularly advantageous in high-dimensional spaces, such as animated scenes with complex queries, where neural networks are known to excel. However, unlocking neural bounding requires a twist: allowing — but also limiting — false positives, while ensuring that the number of false negatives is strictly zero. We enable such tight and conservative results using a dynamically-weighted asymmetric loss function. Our results show that our neural bounding produces up to an order of magnitude fewer false positives than traditional methods. In addition, we propose an extension of our bounding method using early exits that accelerates query speeds by 25%. We also demonstrate that our approach is applicable to non-deep learning models that train within seconds. Our project page is at: https://wenxin-liu.github.io/neural_bounding/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google