17日前

ミキシング・ノイズ除去可能な汎化型オキュパシー・ネットワーク

Amine Ouasfi, Adnane Boukhayma
ミキシング・ノイズ除去可能な汎化型オキュパシー・ネットワーク
要約

現在の最先端の汎化性を持つ陰的ニューラル形状モデルは、畳み込みの誘導的バイアス(inductive bias)に依存しているが、このようなバイアスから生じる特性が点群からの3D再構成というタスクとどのように整合するかは、まだ完全には明らかになっていない。本研究では、この文脈における汎化性の代替的なアプローチを検討する。我々は、モデルの内在的なバイアス(すなわち、局所特徴を畳み込みではなくMLPで符号化するという点)を緩和し、代わりに再構成タスクに関連する補助的な正則化、すなわちノイズ除去(denoising)によって仮説空間を制約する。その結果得られたモデルは、点群からの陰的形状再構成において、唯一MLPで構成された局所条件付きネットワークでありながら、高速なフォワードパス推論が可能な初めてのモデルである。点群由来の特徴量およびノイズ除去されたオフセットが、単一のフォワードパスにおいて完全にMLPで構成されたネットワークによって予測される。その後、デコーダは、再構成された相対的位置符号化(denoised relative positional encoding)をガイドとして、空間内の任意のクエリ点に対して、近傍の点群特徴を順序不変にプーリングすることで、占有確率を予測する。本手法は、モデルパラメータ数を半分に抑える一方で、最先端の畳み込みベース手法を上回る性能を達成した。