SHRED: 3D Shape Region Decomposition with Learned Local Operations

要約

本稿では、3次元形状領域分割手法SHREDを紹介する。SHREDは3次元点群を入力とし、学習された局所演算を用いて、細粒度の部品インスタンスに近似したセグメンテーションを生成する。SHREDは、領域の分割、領域間の境界の固定、領域間の結合の3つの分解操作を備えている。モジュールは独立かつ局所的に学習されるため、SHREDは学習時に見たことのないカテゴリに対しても高品質なセグメンテーションを生成することができる。SHREDのマージしきい値ハイパーパラメータを用いると、任意の分解粒度において、ベースライン手法と比較して、より真実のアノテーションを尊重したセグメンテーションを生成することができることを示す。最後に、SHREDが下流のアプリケーションに有用であることを示し、形状領域のラベル付けを学習する手法と組み合わせた場合、ゼロショット細粒度部品インスタンスセグメンテーションと少数ショット細粒度意味セグメンテーションにおいて、すべてのベースライン手法を上回る性能を発揮することを示した。

要約(オリジナル)

We present SHRED, a method for 3D SHape REgion Decomposition. SHRED takes a 3D point cloud as input and uses learned local operations to produce a segmentation that approximates fine-grained part instances. We endow SHRED with three decomposition operations: splitting regions, fixing the boundaries between regions, and merging regions together. Modules are trained independently and locally, allowing SHRED to generate high-quality segmentations for categories not seen during training. We train and evaluate SHRED with fine-grained segmentations from PartNet; using its merge-threshold hyperparameter, we show that SHRED produces segmentations that better respect ground-truth annotations compared with baseline methods, at any desired decomposition granularity. Finally, we demonstrate that SHRED is useful for downstream applications, out-performing all baselines on zero-shot fine-grained part instance segmentation and few-shot fine-grained semantic segmentation when combined with methods that learn to label shape regions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL