Delaunay三角分割に基づく3D形状表現の学習 学術的背景 コンピュータビジョンとグラフィックスの分野において、点群データから表面を再構築することは長年の課題です。従来の暗黙的な方法（例：Poisson表面再構築）は、暗黙的な関数を計算し、Marching Cubesアルゴリズムを使用して表面を抽出します。これにより、水密（watertight）なメッシュを生成できますが、複雑な構造を扱う際には細部の喪失や過度の平滑化が発生しやすいです。一方、明示的な方法（例：Delaunay三角分割）は、点群の三角分割を直接行い、メッシュを構築します。これにより、鋭い特徴や細部をより良く保持できますが、複雑なトポロジーにおいて三角形の接続性を推測することは依然として困難です。 近年、学習ベースの手法が...

高次幾何構造モデリングに基づく点群の教師なし領域適応 研究背景と動機 点群データは3次元空間を表す重要なデータ形式であり、自動運転、リモートセンシングなどの現実世界のシナリオで広く利用されています。点群は正確な幾何情報を捉えることができますが、デバイス間またはシナリオ間で適用される際に、センサーのノイズ、サンプリング方法、環境の影響などによる幾何的な特性が顕著に変化する可能性があります。このような顕著な幾何変化（領域間ギャップ）は、ある領域で訓練されたニューラルネットワークが他の領域での性能を保持するのを困難にしています。この問題は、点群の深層学習手法の実際の応用での普及に制約を与えています。 現在、この問題の効果的な解決策として教師なし領域適応（Unsupervised Domain Ad...