Jigsaw++: Imagining Complete Shape Priors for Object Reassembly

要約

自動アセンブリの問題は、3D 表現を伴う複雑な課題のため、ますます関心を集めています。
この論文では、再構成問題の再構成という多面的な課題に取り組むために設計された新しい生成手法である Jigsaw++ を紹介します。
既存のアプローチは、主に部品と破断アセンブリの両方の区分情報に焦点を当てており、事前に完全なオブジェクトを統合することが見落とされていることがよくあります。
Jigsaw++ は、完全なオブジェクトに先立ってカテゴリに依存しない形状を学習することによって特徴付けられます。
これは、既存のアセンブリ方法の出力を効果的に活用して完全な形状の再構築を生成する、提案された「リターゲティング」戦略を採用しています。
この機能により、現在のメソッドと直交して機能することができます。
Breaking Bad データセットと PartNet の広範な評価を通じて、Jigsaw++ はその有効性を実証し、再構成エラーを削減し、形状再構成の精度を向上させ、将来の再構成モデ​​ル開発に新たな方向性をもたらしました。

要約(オリジナル)

The automatic assembly problem has attracted increasing interest due to its complex challenges that involve 3D representation. This paper introduces Jigsaw++, a novel generative method designed to tackle the multifaceted challenges of reconstruction for the reassembly problem. Existing approach focusing primarily on piecewise information for both part and fracture assembly, often overlooking the integration of complete object prior. Jigsaw++ distinguishes itself by learning a category-agnostic shape prior of complete objects. It employs the proposed ‘retargeting’ strategy that effectively leverages the output of any existing assembly method to generate complete shape reconstructions. This capability allows it to function orthogonally to the current methods. Through extensive evaluations on Breaking Bad dataset and PartNet, Jigsaw++ has demonstrated its effectiveness, reducing reconstruction errors and enhancing the precision of shape reconstruction, which sets a new direction for future reassembly model developments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google