論文の概要: Combinatorial 3D Shape Generation via Sequential Assembly

• arxiv url: http://arxiv.org/abs/2004.07414v2
• Date: Wed, 25 Nov 2020 03:51:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 20:53:24.434464
• Title: Combinatorial 3D Shape Generation via Sequential Assembly
• Title（参考訳）: シーケンシャルアセンブリによる組合せ3次元形状生成
• Authors: Jungtaek Kim, Hyunsoo Chung, Jinhwi Lee, Minsu Cho, Jaesik Park
• Abstract要約: 幾何学的プリミティブによる連続的な組み立ては、ロボット工学や3D視覚において注目を集めている。 本稿では,この結果が実現可能な膨大な組み合わせによって引き起こされることを緩和する3次元形状生成フレームワークを提案する。 実験により,本手法は3次元形状の生成に成功し,より現実的な生成過程をシミュレートすることを示した。
• 参考スコア（独自算出の注目度）: 40.2815083025929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential assembly with geometric primitives has drawn attention in robotics and 3D vision since it yields a practical blueprint to construct a target shape. However, due to its combinatorial property, a greedy method falls short of generating a sequence of volumetric primitives. To alleviate this consequence induced by a huge number of feasible combinations, we propose a combinatorial 3D shape generation framework. The proposed framework reflects an important aspect of human generation processes in real life -- we often create a 3D shape by sequentially assembling unit primitives with geometric constraints. To find the desired combination regarding combination evaluations, we adopt Bayesian optimization, which is able to exploit and explore efficiently the feasible regions constrained by the current primitive placements. An evaluation function conveys global structure guidance for an assembly process and stability in terms of gravity and external forces simultaneously. Experimental results demonstrate that our method successfully generates combinatorial 3D shapes and simulates more realistic generation processes. We also introduce a new dataset for combinatorial 3D shape generation. All the codes are available at \url{https://github.com/POSTECH-CVLab/Combinatorial-3D-Shape-Generation}.
• Abstract（参考訳）: 幾何学的プリミティブによる連続的な組み立ては、ロボット工学や3D視覚において注目を集めている。 しかし、その組合せ的性質から、グリーディ法は体積原始数列を生成するのに不足している。 膨大な数の組合せによって生じるこの結果を軽減するために, 組合せ型3次元形状生成フレームワークを提案する。 提案されたフレームワークは、実生活における人間の生成プロセスの重要な側面を反映しています -- 私たちはしばしば、幾何学的な制約でユニットプリミティブを順次組み立てることで、3d形状を作ります。 組み合わせ評価に関する所望の組合せを求めるために,現在の原始配置に制約された実現可能な領域を効率的に活用し探索できるベイズ最適化を適用する。 評価関数は、組立工程の全体構造ガイダンスと、重力と外部力の観点で安定性を同時に伝達する。 実験結果から, 合成3次元形状の生成に成功し, より現実的な生成過程をシミュレートした。 また,コンビネート型3次元形状生成のための新しいデータセットも紹介する。 すべてのコードは \url{https://github.com/POSTECH-CVLab/Combinatorial-3D-Shape-Generation} で公開されている。

関連論文リスト

• DetailGen3D: Generative 3D Geometry Enhancement via Data-Dependent Flow [44.72037991063735]
  DetailGen3Dは、生成された3D形状を強化するために特別に設計されたジェネレーティブなアプローチである。 我々の重要な洞察は、潜在空間におけるデータ依存フローを通して、粗大から細小への変換を直接モデル化することである。 改質時に正確な空間対応を確保するためのトークンマッチング戦略を導入する。
  論文  参考訳（メタデータ） (2024-11-25T17:08:17Z)
• CompGS: Unleashing 2D Compositionality for Compositional Text-to-3D via Dynamically Optimizing 3D Gaussians [97.15119679296954]
  CompGS は 3D Gaussian Splatting (GS) を用いた,効率的なテキストから3Dコンテンツ生成のための新しい生成フレームワークである。 CompGSは簡単に3D編集に拡張でき、シーン生成を容易にする。
  論文  参考訳（メタデータ） (2024-10-28T04:35:14Z)
• NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
  3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。 既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。 本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T04:09:34Z)
• ComboVerse: Compositional 3D Assets Creation Using Spatially-Aware Diffusion Guidance [76.7746870349809]
  複雑な構成で高品質な3Dアセットを生成する3D生成フレームワークであるComboVerseについて,複数のモデルを組み合わせることを学習して紹介する。 提案手法は,標準スコア蒸留法と比較して,物体の空間的アライメントを重視している。
  論文  参考訳（メタデータ） (2024-03-19T03:39:43Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• GLASS: Geometric Latent Augmentation for Shape Spaces [28.533018136138825]
  幾何学的に動機づけられたエネルギーを用いて拡張し、その結果、サンプル(トレーニング)モデルのスパースコレクションを増強する。 本研究では,高剛性(ARAP)エネルギーのヘシアン解析を行い,その基礎となる(局所)形状空間に投射する。 我々は,3～10個のトレーニング形状から始めても,興味深い,意味のある形状変化の例をいくつか提示する。
  論文  参考訳（メタデータ） (2021-08-06T17:56:23Z)
• Training Data Generating Networks: Shape Reconstruction via Bi-level Optimization [52.17872739634213]
  単一画像からの3次元形状再構成のための新しい3次元形状表現を提案する。 ネットワークをトレーニングしてトレーニングセットを生成し、別の学習アルゴリズムに入力して形状を定義します。
  論文  参考訳（メタデータ） (2020-10-16T09:52:13Z)

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。