基于梯度场的自回归采样用于 3D 零件分组
计算机视觉与模式识别
2024-05-14 v1
摘要
本文提出了一个名为“3D 零件分组”的新任务。假设存在一个包含来自 various shapes 的散落零件的混合集合。该任务需要算法在所有零件中找到每一种可能的组合。为此，我们提出了称为梯度场自回归采样框架（G-FARS）的方案，专为 3D 零件分组任务量身定制。在我们的框架中，我们设计了一个基于梯度场的选择图神经网络（GNN），用于学习零件选择条件概率密度的梯度，其中条件为给定的混合零件集合。通过基于梯度场的选择 GNN 实现了这种创新方法，有效地捕获了输入中所有零件之间的复杂关系。完成训练后，我们的框架能够通过迭代从混合零件集合中选择零件来自主对 3D 零件进行分组，利用训练基于梯度场的选择 GNN 获得的知识。我们的代码已提供于：https://github.com/J-F-Cheng/G-FARS-3DPartGrouping。
引用
@article{arxiv.2405.06828,
title = {G-FARS: Gradient-Field-based Auto-Regressive Sampling for 3D Part Grouping},
author = {Junfeng Cheng and Tania Stathaki},
journal= {arXiv preprint arXiv:2405.06828},
year = {2024}
}
备注
CVPR 2024