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
- DeFormer: Integrating Transformers with Deformable Models for 3D Shape
Abstraction from a Single Image [31.154786931081087]
本稿では,パラメータ化デフォルマブルモデルと統合された新しいバイチャネルトランスフォーマアーキテクチャを提案し,プリミティブのグローバルおよび局所的な変形を同時に推定する。
DeFormerは、最先端技術よりもより良い再構築精度を実現し、一貫したセマンティック対応で可視化し、解釈性を向上させる。
論文 参考訳(メタデータ) (2023-09-22T02:46:43Z) - GVP: Generative Volumetric Primitives [76.95231302205235]
本稿では,512解像度画像をリアルタイムにサンプリング・レンダリングできる最初の純3次元生成モデルである生成ボリュームプリミティブ(GVP)を提案する。
GVPは、複数のプリミティブとその空間情報を共同でモデル化し、どちらも2D畳み込みネットワークを介して効率的に生成することができる。
いくつかのデータセットの実験は、最先端技術よりも優れた効率性とGVPの3次元一貫性を示す。
論文 参考訳(メタデータ) (2023-03-31T16:50:23Z) - 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) - Learning to generate shape from global-local spectra [0.0]
我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。
我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。
提案手法は既存手法や代替手法と比較して改善された。
論文 参考訳(メタデータ) (2021-08-04T16:39:56Z) - Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible
Neural Networks [118.20778308823779]
Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。
私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
論文 参考訳(メタデータ) (2021-03-18T17:59:31Z) - 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) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z)
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。