Primitive-based Shape Abstraction via Nonparametric Bayesian Inference

要約

3D形状の抽象化は、長年にわたって大きな関心を集めてきました。
メッシュやボクセルなどの低レベルの表現とは別に、研究者は基本的な幾何学的プリミティブを使用して複雑なオブジェクトを意味的に抽象化することも求めています。
最近の深層学習手法はデータセットに大きく依存しており、一般性は目に見えないカテゴリに限定されています。
さらに、少数のプリミティブを使用してオブジェクトを正確に抽象化することは、依然として課題です。
この論文では、点群から未知の数の幾何学的プリミティブからなる抽象化を推測するための新しい非パラメトリックベイズ統計法を提案します。
点の生成を、ガウス超二次テーパーモデル（GSTM）の無限混合からサンプリングされた観測値としてモデル化します。
私たちのアプローチは、抽象化をクラスタリングの問題として定式化します。1）各ポイントはChinese Restaurant Process（CRP）を介してクラスターに割り当てられます。
2）プリミティブ表現はクラスターごとに最適化され、3）マージ後処理が組み込まれて簡潔な表現を提供します。
2つのデータセットで広範な実験を行います。
結果は、私たちの方法が精度の点で最先端を上回り、さまざまなタイプのオブジェクトに一般化できることを示しています。

要約(オリジナル)

3D shape abstraction has drawn great interest over the years. Apart from low-level representations such as meshes and voxels, researchers also seek to semantically abstract complex objects with basic geometric primitives. Recent deep learning methods rely heavily on datasets, with limited generality to unseen categories. Furthermore, abstracting an object accurately yet with a small number of primitives still remains a challenge. In this paper, we propose a novel non-parametric Bayesian statistical method to infer an abstraction, consisting of an unknown number of geometric primitives, from a point cloud. We model the generation of points as observations sampled from an infinite mixture of Gaussian Superquadric Taper Models (GSTM). Our approach formulates the abstraction as a clustering problem, in which: 1) each point is assigned to a cluster via the Chinese Restaurant Process (CRP); 2) a primitive representation is optimized for each cluster, and 3) a merging post-process is incorporated to provide a concise representation. We conduct extensive experiments on two datasets. The results indicate that our method outperforms the state-of-the-art in terms of accuracy and is generalizable to various types of objects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google