Skeletal Point Representations with Geometric Deep Learning

要約

スケルトン化は、物体の内部と外部の両方をモデル化する、一般的な形状解析技術である。既存のテンプレートに基づく解剖学的構造からの骨格モデルの算出は、時間のかかる手作業である。近年では、3次元形状から骨格を抽出するために、学習ベースの手法が利用されている。本研究では、物体の骨格構造を計算するために、新規の追加幾何学項を提案する。その結果は、従来のフィットしたS-REPと同様であるが、より迅速に生成される。実際の臨床データを用いた評価では、学習されたモデルが正確な骨格表現を予測することが示され、弱い監視としてs-repsを使用することに加えて、提案した幾何学的損失の影響が示される。

要約(オリジナル)

Skeletonization has been a popular shape analysis technique that models both the interior and exterior of an object. Existing template-based calculations of skeletal models from anatomical structures are a time-consuming manual process. Recently, learning-based methods have been used to extract skeletons from 3D shapes. In this work, we propose novel additional geometric terms for calculating skeletal structures of objects. The results are similar to traditional fitted s-reps but but are produced much more quickly. Evaluation on real clinical data shows that the learned model predicts accurate skeletal representations and shows the impact of proposed geometric losses along with using s-reps as weak supervision.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL