MARC

 008250123s2024        us                              c    eng  d
■001000017163968
■00520250211152815
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346808664
■035    ▼a(MiAaPQ)AAI31558660
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLiu,  Minghua.
■24510▼aOpen-World  3D  Understanding  and  Generation
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a193  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  A.
■500    ▼aAdvisor:  Su,  Hao.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼a3D  representations  model  our  physical  world  in  one  of  the  most  explicit  and  structured  ways,  enabling  the  storage  of  extensive  attributes.  Understanding  these  3D  representations-including,  but  not  limited  to,  their  geometry,  appearance,  structure,  semantics,  mobility,  functionality,  and  affordances-is  crucial  for  developing  intelligent  agents  that  can  comprehend  and  interact  with  our  3D  physical  environment  and  seamlessly  integrate  into  human  settings.  Additionally,  high-quality  3D  generation  allows  us  to  replicate  our  3D  world,  creating  digital  twins  and  supporting  a  wide  range  of  downstream  applications.  Significant  advancements  have  already  been  made  in  3D  deep  learning  by  exploring  suitable  representations  and  neural  algorithms  for  3D  data.  However,  unlike  many  other  modalities,  the  scale  of  publicly  available  3D  data  has  been  quite  limited.  Most  previous  3D  deep  learning  approaches  have  traditionally  been  confined  to  a  narrow  range  of  common  categories  (such  as  chairs,  cars,  airplanes,  etc.),  which  greatly  hinders  their  application  to  real-world  scenarios  with  far  more  diverse  categories  and  variations.  Nevertheless,  in  the  past  two  years,  with  the  rapid  development  of  large-scale  pretrained  models  from  2D  vision,  language,  and  other  modalities,  as  well  as  the  emergence  of  larger  and  more  diverse  public  3D  datasets,  many  new  opportunities  for  3D  deep  learning  have  arisen.In  this  dissertation,  we  explore  how  to  leverage  extensive  priors  from  other  modalities,  as  well  as  how  to  exploit  the  limited  but  valuable  3D  data  to  enhance  the  generalizability  of  various  3D  deep  learning  tasks.  We  primarily  focus  on  two  families  of  tasks:  3D  object  understanding  and  3D  object  generation  in  an  open-world  context.  For  each  family,  I  explore  several  strategies  to  effectively  utilize  these  priors  and  identify  a  series  of  crucial  problems  with  proposed  solutions.  My  efforts  have  significantly  improved  the  generalizability  of  many  previous  3D  understanding  and  generation  tasks,  bridging  the  gap  between  the  capabilities  of  earlier  'chair  research'  and  the  complex,  diverse  open-world  scenarios  in  the  real  physical  3D  world.
■590    ▼aSchool  code:  0033.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aDesign
■653    ▼a3D  representations
■653    ▼a3D  generation
■653    ▼aDeep  learning
■653    ▼a3D  world
■690    ▼a0984
■690    ▼a0389
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  California,  San  Diego▼bComputer  Science  and  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-06A.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163968▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서