論文の概要: Hamiltonian Dynamics for Real-World Shape Interpolation
- arxiv url: http://arxiv.org/abs/2004.05199v1
- Date: Fri, 10 Apr 2020 18:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 21:22:15.765233
- Title: Hamiltonian Dynamics for Real-World Shape Interpolation
- Title(参考訳): 実世界形状補間のためのハミルトン力学
- Authors: Marvin Eisenberger, Daniel Cremers
- Abstract要約: 我々は3次元形状の古典的問題を再考し、ハミルトン力学に基づく新しい物理的に妥当なアプローチを提案する。
本手法は, 中間形状を正確に保存し, 自己切断を回避し, 高分解能スキャンにスケーラブルである。
- 参考スコア(独自算出の注目度): 66.47407593823208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We revisit the classical problem of 3D shape interpolation and propose a
novel, physically plausible approach based on Hamiltonian dynamics. While most
prior work focuses on synthetic input shapes, our formulation is designed to be
applicable to real-world scans with imperfect input correspondences and various
types of noise. To that end, we use recent progress on dynamic thin shell
simulation and divergence-free shape deformation and combine them to address
the inverse problem of finding a plausible intermediate sequence for two input
shapes. In comparison to prior work that mainly focuses on small distortion of
consecutive frames, we explicitly model volume preservation and momentum
conservation, as well as an anisotropic local distortion model. We argue that,
in order to get a robust interpolation for imperfect inputs, we need to model
the input noise explicitly which results in an alignment based formulation.
Finally, we show a qualitative and quantitative improvement over prior work on
a broad range of synthetic and scanned data. Besides being more robust to noisy
inputs, our method yields exactly volume preserving intermediate shapes, avoids
self-intersections and is scalable to high resolution scans.
- Abstract(参考訳): 3次元形状補間の古典問題を再検討し,ハミルトニアンダイナミクスに基づく新しい,物理的に妥当なアプローチを提案する。
ほとんどの先行研究は合成入力形状に焦点を当てているが、この定式化は不完全な入力対応と様々な種類のノイズを伴う実世界のスキャンに適用できるように設計されている。
この目的のために, 動的薄殻シミュレーションと発散のない形状変形の最近の進歩を用いて, 2つの入力形状の可能な中間列を求める逆問題に対処する。
連続するフレームの小さな歪みを主眼とする先行研究と比較して, 体積保存, 運動量保存, および異方性局所歪みモデルを明示的にモデル化した。
我々は、不完全な入力に対して頑健な補間を得るためには、アライメントに基づく定式化をもたらす入力ノイズを明示的にモデル化する必要があると論じる。
最後に,より広い範囲の合成およびスキャンデータに対する先行研究よりも質的かつ定量的な改善を示す。
ノイズ入力に対してより頑健であると同時に,中間形状を正確に保存し,自己切断を回避し,高分解能スキャンにスケーラブルである。
関連論文リスト
- Combining Neural Fields and Deformation Models for Non-Rigid 3D Motion Reconstruction from Partial Data [7.327850781641328]
本研究では,非剛性変形形状の非構造観察から時間的コヒーレントな3次元運動を再構成するための,新しいデータ駆動型アプローチを提案する。
我々のゴールは、ゆるい服を着ている人間など、ほぼ等尺変形する形状の高忠実な動き再構成を実現することである。
本手法は, モノクローナルディープビデオから再構成したヒトおよび動物の動き系列に適用することにより, 最先端のアプローチよりも優れる。
論文 参考訳(メタデータ) (2024-12-11T16:24:08Z) - Robustifying Generalizable Implicit Shape Networks with a Tunable
Non-Parametric Model [10.316008740970037]
無向点雲からの暗黙的形状再構成の一般化可能なモデルは一般化問題に悩まされる。
ここでは、これらの制限のいくつかをテスト時に緩和する効率的なメカニズムを提案する。
本稿では,本手法によるベースラインの改良と,合成データと実データを用いた最先端技術について述べる。
論文 参考訳(メタデータ) (2023-11-21T20:12:29Z) - Shuffled Autoregression For Motion Interpolation [53.61556200049156]
この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。
本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。
また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
論文 参考訳(メタデータ) (2023-06-10T07:14:59Z) - OReX: Object Reconstruction from Planar Cross-sections Using Neural
Fields [10.862993171454685]
OReXはスライス単独で3次元形状を復元する手法であり、前者がニューラルネットワーク勾配である。
適度なニューラルネットワークは入力平面上でトレーニングされ、与えられた3D座標の内外推定を返却し、滑らかさと自己相似性を誘導する強力な先行を与える。
我々は、粗大な訓練を奨励する反復的な推定アーキテクチャと階層的な入力サンプリングスキームを提供し、訓練プロセスは後段の高周波に集中できるようにする。
論文 参考訳(メタデータ) (2022-11-23T11:44:35Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳(メタデータ) (2021-07-09T09:03:08Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳(メタデータ) (2020-06-15T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。