RECON: Robust symmetry discovery via Explicit Canonical Orientation Normalization

要約

実際のデータは、多くの場合、未知の対称性または近似の対称性を示しますが、既存の等量ネットワークは、トレーニング前に固定変換グループにコミットする必要があります。
このミスマッチは、実際のデータ対称性が変換グループのデータとは異なる場合、パフォーマンスを低下させます。
reconを紹介します。これは、各入力の固有の対称分布を非標識データから発見するフレームワークです。
Reconはクラスポーズ分解を活用し、データ駆動型の正規化を適用して、任意の参照フレームを共通の自然ポーズに整列させ、直接同等の解釈可能な対称性記述子を生成します。
2D画像ベンチマークで効果的な対称性発見を示し、初めては3D変換グループに拡張し、より柔軟な等量モデリングへの道を開きます。

要約(オリジナル)

Real-world data often exhibits unknown or approximate symmetries, yet existing equivariant networks must commit to a fixed transformation group prior to training, e.g., continuous $SO(2)$ rotations. This mismatch degrades performance when the actual data symmetries differ from those in the transformation group. We introduce RECON, a framework to discover each input’s intrinsic symmetry distribution from unlabeled data. RECON leverages class-pose decompositions and applies a data-driven normalization to align arbitrary reference frames into a common natural pose, yielding directly comparable and interpretable symmetry descriptors. We demonstrate effective symmetry discovery on 2D image benchmarks and — for the first time — extend it to 3D transformation groups, paving the way towards more flexible equivariant modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google