論文の概要: Point2Mesh: A Self-Prior for Deformable Meshes

• arxiv url: http://arxiv.org/abs/2005.11084v1
• Date: Fri, 22 May 2020 10:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:58:17.148590
• Title: Point2Mesh: A Self-Prior for Deformable Meshes
• Title（参考訳）: point2mesh: 変形可能なメッシュの自己優先
• Authors: Rana Hanocka, Gal Metzer, Raja Giryes, Daniel Cohen-Or
• Abstract要約: 本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
• 参考スコア（独自算出の注目度）: 83.31236364265403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce Point2Mesh, a technique for reconstructing a surface mesh from an input point cloud. Instead of explicitly specifying a prior that encodes the expected shape properties, the prior is defined automatically using the input point cloud, which we refer to as a self-prior. The self-prior encapsulates reoccurring geometric repetitions from a single shape within the weights of a deep neural network. We optimize the network weights to deform an initial mesh to shrink-wrap a single input point cloud. This explicitly considers the entire reconstructed shape, since shared local kernels are calculated to fit the overall object. The convolutional kernels are optimized globally across the entire shape, which inherently encourages local-scale geometric self-similarity across the shape surface. We show that shrink-wrapping a point cloud with a self-prior converges to a desirable solution; compared to a prescribed smoothness prior, which often becomes trapped in undesirable local minima. While the performance of traditional reconstruction approaches degrades in non-ideal conditions that are often present in real world scanning, i.e., unoriented normals, noise and missing (low density) parts, Point2Mesh is robust to non-ideal conditions. We demonstrate the performance of Point2Mesh on a large variety of shapes with varying complexity.
• Abstract（参考訳）: 本稿では,入力点雲から表面メッシュを再構成する手法であるpoint2meshを提案する。 期待される形状特性を符号化する事前を明示的に指定する代わりに、前者は入力ポイントクラウドを使用して自動的に定義され、これは自己優先と呼ばれる。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ネットワークウェイトを最適化して初期メッシュを変形し、単一の入力ポイントクラウドを縮小する。 これは、共有ローカルカーネルが全体のオブジェクトに適合するように計算されるため、再構築された全体の形状を明示的に考慮する。 畳み込みカーネルは全形状にわたってグローバルに最適化されており、本質的には形状表面を横断する局所的な幾何学的自己相似性を促進する。 自己優先性を持つ点雲の縮小ラッピングは望ましい解に収束し, 所定の滑らかさに比較すると, しばしば望ましくない局所最小値に閉じ込められる。 従来の再建手法の性能は、非理想的条件、すなわち非指向性正規、ノイズと(低密度)部分において劣化するが、Point2Meshは非理想的条件に対して堅牢である。 我々は,複雑度が異なる多種多様な形状のpoint2meshの性能を示す。

関連論文リスト

• Learning Neural Volumetric Field for Point Cloud Geometry Compression [13.691147541041804]
  我々は、ニューラルネットワークを学習することで、与えられた点雲の幾何学をコーディングすることを提案する。 空間全体を小さな立方体に分割し,各空でない立方体をニューラルネットワークと入力潜時符号で表現する。 ネットワークは、空間的および時間的冗長性を利用するために、1つのフレームまたは複数のフレームで全ての立方体間で共有される。
  論文  参考訳（メタデータ） (2022-12-11T19:55:24Z)
• GRASP-Net: Geometric Residual Analysis and Synthesis for Point Cloud Compression [16.98171403698783]
  損失点クラウド幾何圧縮のための深層学習を用いた異種アプローチを提案する。 具体的には、粗い点雲上に存在する不規則な特徴に局所的詳細を変換するために、点ベースネットワークを適用する。
  論文  参考訳（メタデータ） (2022-09-09T17:09:02Z)
• Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
  本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。 純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。 また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-29T14:42:03Z)
• Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
  点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。 従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。 本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-10-08T22:01:23Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。