![見出し画像](https://assets.st-note.com/production/uploads/images/16762519/rectangle_large_type_2_bf21cb3f3d9be5987edf084da3973d95.png?width=800)
Kaolin / メインモジュール
「Kaolin」のメインモジュールに目を通してみます。
1. rep
サポートされている3D表現は、次のとおりです。
・三角メッシュ
・四角メッシュ
・ボクセル
・ポイントクラウド
・符号付き距離関数(SDF)
2. conversions
3D表現の変換をサポートします。
3. models
提供されるモデルには、次のとおりです。
◎ DGCNN [Paper], [Original implementation]
ポイントクラウドによるカテゴリ分類、セマンティックセグメンテーション、パーツセグメンテーション。
◎ DIB-R [Paper], [Original implementation]
補間ベースの微分可能レンダラーを使用した3Dオブジェクトの予測学習。
◎ GEOMetrics [Paper], [Original implementation]
単一の画像からのメッシュオブジェクトの再構築。
◎ Image2Mesh [Paper], [Original implementation]
単一のRGB画像からの3Dメッシュモデルを生成。
◎ Occupancy Network [Paper], [Original implementation]
関数空間での3D再構成の学習。
◎ Pixel2Mesh [Paper], [Original implementation (TensorFlow)], [Re-implementation]
単一のRGB画像から3Dメッシュモデルを生成。
◎ PointNet [Paper], [Original implementation], [Re-implementation]
ポイントクラウドによる3D分類とセグメンテーション。
◎ PointNet++ [Paper], [Original implementation], [Re-implementation]
ポイントクラウドによる3D分類とセグメンテーション。
◎ MeshEncoder
シンプルなメッシュエンコーダ
◎ GraphResNet
Residual Connectionsによるメッシュエンコーダ
◎ MeshCNN [Paper], [Original implementation]
メッシュによる3D分類とセグメンテーション。
◎ VoxelGAN [Paper], [Original implementation]
3D生成。敵対モデリングによるオブジェクト形状の確率的潜在空間の学習。
◎ AtlasNet [Paper], [Original implementation]
低解像度のポイントクラウドまたはイメージからメッシュを合成。
4. graphics
「Kaolin」は、微分可能レンダラーを構築するための柔軟なモジュール式のフレームワークを提供します。個々のコンポーネントを新しいものに簡単に置き換えることができます。
以下の微分可能レンダラーの実装も提供します。
◎ DIB-R [Paper], [Original implementation]
補間ベースの微分可能レンダラーを使用した3Dオブジェクトの予測学習。
◎ SoftRas [Paper], [Original implementation]
画像ベースの3D推論のための微分可能なレンダラー。
◎ Neural 3D Mesh Renderer [Paper], [Original Chainer implementation], [PyTorch re-implementation]
ニューラル3Dメッシュレンダラー。
5. metrics
実装された指標と損失関数
◎ メッシュ
・Triangle Distance
・Chamfer Distance
・Edge Length regularization
・Laplacian regularization
・Point to Surface distance
・Normal consistency
◎ ポイントクラウド
・Sided Distance
・Chamfer Distance
・Directed Distance
◎ ボクセル
・Intersection Over Union (3D IoU)
・F-Score
この記事が気に入ったらサポートをしてみませんか?