Variational Autoencoding of Dental Point Clouds

要約

デジタル歯科医療は大幅な進歩を遂げていますが、依然として多くの課題が残っています。
このペーパーでは、歯のメッシュと点群の広範なコレクションである FDI 16 データセットを紹介します。
さらに、点群用に設計された完全に確率的な変分オートエンコーダである、変分フォールディングネット (VF-Net) という新しいアプローチを紹介します。
特に、点群に対する従来の潜在変数モデルには、入力点と出力点の間に 1 対 1 の対応がありません。
代わりに、面取り距離の最適化に依存しています。面取り距離は、正規化された分布に相当するものが存在しないため、確率モデリングには適していません。
面取り距離の明示的な最小化を適切なエンコーダに置き換え、確率的拡張を簡素化しながら計算効率を向上させます。
これにより、メッシュの生成、形状の完成、表現の学習など、さまざまなタスクに簡単に適用できます。
私たちは経験的に、歯科再構成と補間における再構成誤差が低いという証拠を提供し、貴重な潜在表現を特定しながら歯科サンプル生成における最先端のパフォーマンスを示しています。

要約(オリジナル)

Digital dentistry has made significant advancements, yet numerous challenges remain. This paper introduces the FDI 16 dataset, an extensive collection of tooth meshes and point clouds. Additionally, we present a novel approach: Variational FoldingNet (VF-Net), a fully probabilistic variational autoencoder designed for point clouds. Notably, prior latent variable models for point clouds lack a one-to-one correspondence between input and output points. Instead, they rely on optimizing Chamfer distances, a metric that lacks a normalized distributional counterpart, rendering it unsuitable for probabilistic modeling. We replace the explicit minimization of Chamfer distances with a suitable encoder, increasing computational efficiency while simplifying the probabilistic extension. This allows for straightforward application in various tasks, including mesh generation, shape completion, and representation learning. Empirically, we provide evidence of lower reconstruction error in dental reconstruction and interpolation, showcasing state-of-the-art performance in dental sample generation while identifying valuable latent representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google