Deep Learning at the Intersection: Certified Robustness as a Tool for 3D Vision

要約

この論文では、機械学習における認定された堅牢性と 3D オブジェクトのモデリングとの間の新しい接続に関する予備研究を紹介します。
スペースの占有率を表す分類器の最大認定半径 (MCR) とスペースの符号付き距離関数 (SDF) の間の興味深い関連性を強調します。
この関係を利用して、ランダム化平滑化 (RS) の認証方法を使用して SDF を計算することを提案します。
RS の計算コストが高いため、SDF を計算する方法として実際に使用することができないため、事前に計算されたボクセル上のガウス平滑化として RS の基本演算を表現することにより、3D 空間などの低次元アプリケーションで RS を効率的に実行するアルゴリズムを提案します。
グリッド。
私たちのアプローチは、SDF を計算するための革新的で実用的なツールを提供し、新しいビュー合成における概念実証実験を通じて検証されています。
この論文は、これまで全く異なっていた機械学習の 2 つの分野の橋渡しをし、さらなる探索とクロスドメインの進歩の可能性への新たな道を開きます。

要約(オリジナル)

This paper presents preliminary work on a novel connection between certified robustness in machine learning and the modeling of 3D objects. We highlight an intriguing link between the Maximal Certified Radius (MCR) of a classifier representing a space’s occupancy and the space’s Signed Distance Function (SDF). Leveraging this relationship, we propose to use the certification method of randomized smoothing (RS) to compute SDFs. Since RS’ high computational cost prevents its practical usage as a way to compute SDFs, we propose an algorithm to efficiently run RS in low-dimensional applications, such as 3D space, by expressing RS’ fundamental operations as Gaussian smoothing on pre-computed voxel grids. Our approach offers an innovative and practical tool to compute SDFs, validated through proof-of-concept experiments in novel view synthesis. This paper bridges two previously disparate areas of machine learning, opening new avenues for further exploration and potential cross-domain advancements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google