전체 글 (20) 썸네일형 리스트형 [Paper] Learning Smooth Neural Functions via Lipschitz Regularization Neural Implicit Fields 분야가 3D Representation에서 각광을 받고 있다. 본 연구에서는 Neural Feilds에서 smooth latent space를 독려할 수 있는 Novel Regularization을 소개하고자 한다. 이전 Lipschitz regularized networks와 비교해 본 연구는 컴퓨팅 속도가 빠르고 단지 4줄의 코드만으로 구현할 수 있다는 장점이 있다.(개인적으로는 이게 가장 큰 장점이 아닐까 싶다.) 본 연구진은 이러한 연구 접근 방식이 shape interpolation과 extrapolation에 대해서도 효과가 있을 뿐만 아니라 3D points clouds의 부분 정보만을 가지고 전체 형상을 Reconstruction 하는데도 효과가 있.. [Paper] Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction Abstract Machine Perception 분야에서 복잡한 표면을 Reconstruction 하는 것은 상당히 중요한 일입니다. 그래서 이 논문을 소개합니다. DeepLS는3D Shape에 대해서 높은 퀄리티로 재건하는 것을 가능하게 합니다. 본 연구의 선구자 격인 DeepSDF와는 달리 이 논문은 A grid of independent latent codes를 저장하며, 각각은 작은 로컬 이웃의 정보들을 저장합니다. 이 방법론은 형상의 Shape Encoding과 Reconstruction에 대해서 상당히 Generalization된 성능을 보여줍니다. 1. Introduction 최근 들어, DeepSDF를 비롯한 여러 SDF 연구들이 진행되고 있다. 하지만 이들은 주로 object-centr.. [Paper] HybridSDF: Combining Deep Implicit Shapes and Geometric Primitives for 3D Shape Representation and Manipulation Abstract Deep Implicit Surface는 generic shape에 대해서 탁월한 Reconstruction을 보여주었지만, Manufactured objects에 대해서 그 형상을 잘 표현해내지는 못했습니다. 본 논문은 Explicit한 파라미터와 Latent code로 이 문제를 극복하고자 합니다. 이러한 방법론은 3D Shapes을 효율적으로 조절하게 도와줍니다. 1. Introduction SDF 표현방법의 장점 명확하지만, 단점 또한 명확합니다. 형상을 학습하기는 하지만, 임의로 학습하기 때문에 몇 개의 Parameters로 표현할 수 있는 간단한 형상 등을 표현하는데 어려움을 겪습니다. 예를 들어, 자동차의 전체 형상은 잘 학습할지 몰라도, 자동차의 타이어나 휠 부분을 학습하는.. [Paper] Learning Shape Abstractions by Assembling Volumetric Primitives 지금까지 3D Vision 분야 논문들을 꽤 읽어왔기 때문에 그런지 이제 이름들이 조금씩 익숙해지고 있습니다. 특히, 카이스트에서 석사 첫 학기에 수강했던 전산학 특강의 성민혁 교수님의 지도 교수님이신 Guibas 교수님은 이름이 많이 눈에 띕니다. 제자 교수님의 강의도 훌륭하니, 뭐 어떻게 보면 당연하다고 말할 수도 있겠지만, 그 연구실 출신 연구자분들이 정말로 이 3D CV 분야를 확 사로잡고 있다고 말해도 될 정도로 상당히 높은 수준의, 그리고 연구의 원천이 되는 연구들을 다수 수행하고 계십니다. 본 논문도 역시 스탠포드 대학과 UC 버클리 학생 및 교수진들이 참여한 연구로 Parsimony of description에 대해서 다루고 있습니다. 전에 3D Vision분야의 논문을 간단히 살펴볼 때에.. [데이터 사이언스 스쿨] 엔트로피 확률분포 Y1 : P(Y=0)=0.5, P(Y=1)=0.5 확률분포 Y2 : P(Y=0)=0.8, P(Y=1)=0.2 확률분포 Y3 : P(Y=0)=1.0, P(Y=1)=0.0 베이지안 관점에서 위 확률분포는 다음과 같은 정보를 갖는다. 확률분포 Y1은 y값에 대해 아무것도 모르는 상태 확률분포 Y2은 y값이 0이라고 믿지만 아닐 가능성도 있다는 것을 아는 상태 확률분포 Y3은 y값이 0이라고 100% 확신하는 상태 확률분포가 갖는 이러한 차이를 하나의 숫자로 나타낸 것이 바로 엔트로피다. 엔트로피의 정의 확률분포가 갖는 정보의 확신도 혹은 정보량을 수치로 표현. 특정값이 나올 확률이 높고 나머지 값이 나올 확률이 낮으면 엔트로피는 작아진다. 특정값이 나올 확률이 낮고 나머지 값이 나올 확률이 높으면 엔.. [데이터 사이언스] 집합 집합의 정의 set : 내용을 변경할 수 있는 mutable 자료형 frozenset : 내용을 변경할 수 없는 immutable 자료형 확률의 수학적 정의와 의미 무엇이 답인지 전형 예측할 수 없는 것도 있고 어떤 문제는 어느 정도의 정확도 혹은 범위 내에 있다고 예측할 수 있는 것도 있다. 3가지 개념: 확률 표본, 표본공간, 사건 표본 - 풀고자 하는 확률적 문제에서 발생할 수 있는 하나의 현상 혹은 선택될 수 있는 하나의 경우 표본 공간 - 가능한 모든 표본의 집합 확률 - 사건(부분집합)을 입력하면 숫자(확률값)가 출력되는 함수 확률은 표본이 아닌 사건(부분집합)에 대해 정의한다. 따라서 확률은 표본 하나 하나에 대해 정의되어 있는 함수(혹은 숫자)가 아니다. $P([ 1 ] ) = \frac{.. [데이터 사이언스] 선형대수 영벡터가 아닌 모든 벡터 x에 대해 다음 부등식이 성립하면 행렬 A가 양의 정부호(Positive Definite)라고 한다. $$ x^TAx >0 $$ 만약 ≥를 만족하는 행렬이라면 양의 준정부호라고 한다. 모든 행렬에 대해 양의 정부호와 준정부호를 정의할 수 있지만 보통 대칭행렬에 대해서만 정의한다. 모든 벡터 x에 대해 부등호가 성립해야 하므로 보통은 제곱의 합 꼴로 식이 나타나게 된다. Norm 행렬 A에 대해 다음 식으로 정의되는 숫자다. 보통 $||A||_p$로 표현한다. 행렬의 놈에도 여러 정의가 존재하는데 여기에서는 요소별 행렬 놈(Entrywise Matrix Norm)의 정의를 따른다. $$ ||A||p = (\Sigma{i=1}^{N}\Sigma_{j=1}^{M}|a_{ij}|^p)^.. [Paper]Deep Implicit Templates for 3D Shape Representation Abstract Deep Implicit Functions(DIFs)는 3D Shape Representation 분야에서 가장 인기가 많은 표현방식이 되었습니다. 왜냐하면 DIF는 굉장히 Compactness 하고 탁월한 Representation 능력을 보여주었기 때문입니다. 하지만 Mesh-based 표현 방법론과는 달리, dense correspondences(대응)와 Semantic Relationship을 구현하는 것은 아직 어려움이 있었습니다. 이러한 어려움을 극복하고 DIF를 더욱더 Impretalbe 할 수 있도록 하기 위해 저자는 DIT를 제시하고 있습니다. 본 연구의 키워드는 template implicit function의 conditional deformations을 정립하는 것입.. 이전 1 2 3 다음
