論文の概要: NiLBS: Neural Inverse Linear Blend Skinning

• arxiv url: http://arxiv.org/abs/2004.05980v1
• Date: Mon, 6 Apr 2020 20:46:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 07:41:21.828795
• Title: NiLBS: Neural Inverse Linear Blend Skinning
• Title（参考訳）: nilbs:ニューラルネットワークの逆線形ブレンドスキン
• Authors: Timothy Jeruzalski, David I.W. Levin, Alec Jacobson, Paul Lalonde, Mohammad Norouzi, Andrea Tagliasacchi
• Abstract要約: 本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
• 参考スコア（独自算出の注目度）: 59.22647012489496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this technical report, we investigate efficient representations of articulated objects (e.g. human bodies), which is an important problem in computer vision and graphics. To deform articulated geometry, existing approaches represent objects as meshes and deform them using "skinning" techniques. The skinning operation allows a wide range of deformations to be achieved with a small number of control parameters. This paper introduces a method to invert the deformations undergone via traditional skinning techniques via a neural network parameterized by pose. The ability to invert these deformations allows values (e.g., distance function, signed distance function, occupancy) to be pre-computed at rest pose, and then efficiently queried when the character is deformed. We leave empirical evaluation of our approach to future work.
• Abstract（参考訳）: 本技術報告では,コンピュータビジョンやグラフィックスにおいて重要な課題である,関節オブジェクト(例えば人体)の効率的な表現について検討する。 調音幾何学を変形するために、既存のアプローチはオブジェクトをメッシュとして表現し、それらを「スキニング」技法で変形させる。 スキニング操作により、少数の制御パラメータで幅広い変形を達成することができる。 本稿では,ポーズによってパラメータ化されたニューラルネットワークを用いて,従来のスキン技術を用いて変形を反転させる手法を提案する。 これらの変形を反転させることで、静止姿勢で値(距離関数、符号付き距離関数、占有率)を事前に計算し、文字が変形した場合に効率的に照会することができる。 我々は将来の仕事にアプローチを実証的に評価する。

関連論文リスト

• Neural Implicit Shape Editing using Boundary Sensitivity [12.621108702820313]
  パラメータの摂動が形状境界をどう移動するかを表現するために境界感度を利用する。 これを用いて幾何学的編集を行い、グローバルに規定された変形を最もよく近似するパラメータ更新を求める。
  論文  参考訳（メタデータ） (2023-04-24T13:04:15Z)
• Deformable Surface Reconstruction via Riemannian Metric Preservation [9.74575494970697]
  モノクロ画像から物体のポーズを推定することは、コンピュータビジョンの基本となる逆問題である。 本稿では,連続的な変形可能な面を画像列から推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T10:45:08Z)
• Reduced Representation of Deformation Fields for Effective Non-rigid Shape Matching [26.77241999731105]
  変形場の縮小表現を利用して,非剛体物体間の対応を計算するための新しい手法を提案する。 ネットワークは空間(ノード)における粗い位置の変形パラメータを学習させることにより、滑らかさを保証された閉形式の連続的な変形場を再構築する。 我々のモデルは高い表現力を持ち、複雑な変形を捉えることができる。
  論文  参考訳（メタデータ） (2022-11-26T16:11:17Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• Animatable Implicit Neural Representations for Creating Realistic Avatars from Videos [63.16888987770885]
  本稿では,マルチビュー映像からアニマタブルな人間モデルを構築することの課題について述べる。 線形ブレンドスキンアルゴリズムに基づくポーズ駆動変形場を提案する。 提案手法は,近年の人体モデリング手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T17:56:59Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Neural Actor: Neural Free-view Synthesis of Human Actors with Pose Control [80.79820002330457]
  任意の視点と任意の制御可能なポーズの下での人間の高品質な合成法を提案する。 提案手法は,新しいポーズ合成法と同様に,再生時の最先端技術よりも優れた品質を実現し,トレーニングポーズと大きく異なる新しいポーズを一般化することができる。
  論文  参考訳（メタデータ） (2021-06-03T17:40:48Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)

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。