論文の概要: MeshSDF: Differentiable Iso-Surface Extraction
- arxiv url: http://arxiv.org/abs/2006.03997v2
- Date: Sat, 31 Oct 2020 15:45:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:50:16.138943
- Title: MeshSDF: Differentiable Iso-Surface Extraction
- Title（参考訳）: MeshSDF: 微分可能なアイソ面抽出
- Authors: Edoardo Remelli, Artem Lukoianov, Stephan R. Richter, Beno\^it
Guillard, Timur Bagautdinov, Pierre Baque and Pascal Fua
- Abstract要約: 本稿では,Deep Signed Distance関数から表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
我々はこれを利用して、そのトポロジを変えることができるエンドツーエンドの差別化可能なメッシュ表現であるMeshSDFを定義します。
- 参考スコア（独自算出の注目度）: 45.769838982991736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geometric Deep Learning has recently made striking progress with the advent
of continuous Deep Implicit Fields. They allow for detailed modeling of
watertight surfaces of arbitrary topology while not relying on a 3D Euclidean
grid, resulting in a learnable parameterization that is not limited in
resolution.
Unfortunately, these methods are often not suitable for applications that
require an explicit mesh-based surface representation because converting an
implicit field to such a representation relies on the Marching Cubes algorithm,
which cannot be differentiated with respect to the underlying implicit field.
In this work, we remove this limitation and introduce a differentiable way to
produce explicit surface mesh representations from Deep Signed Distance
Functions. Our key insight is that by reasoning on how implicit field
perturbations impact local surface geometry, one can ultimately differentiate
the 3D location of surface samples with respect to the underlying deep implicit
field. We exploit this to define MeshSDF, an end-to-end differentiable mesh
representation which can vary its topology.
We use two different applications to validate our theoretical insight:
Single-View Reconstruction via Differentiable Rendering and Physically-Driven
Shape Optimization. In both cases our differentiable parameterization gives us
an edge over state-of-the-art algorithms.
- Abstract（参考訳）: Geometric Deep Learningは最近、継続的なDeep Implicit Fieldsの出現で大きな進歩を遂げた。
これにより、3次元ユークリッド格子に依存しない任意のトポロジーの水密曲面の詳細なモデリングが可能となり、その結果、解像度が制限されない学習可能なパラメータ化が可能となる。
残念ながらこれらの手法は、暗黙の場をそのような表現に変換するため、暗黙の場に対して区別できないマーチングキューブアルゴリズムに依存するため、明示的なメッシュベースの表面表現を必要とするアプリケーションには適さないことが多い。
本研究では,この制限を除去し,Deep Signed Distance Functionから表面メッシュ表現を明示的に生成する方法を提案する。
私たちの重要な洞察は、暗黙的場の摂動が局所的な表面幾何にどのように影響するかを推論することで、基礎となる深い暗黙的場に関して最終的に表面サンプルの3d位置を区別できるということです。
これを利用して、そのトポロジーを変えることができるエンドツーエンドの微分可能なメッシュ表現である meshsdf を定義する。
我々は、微分レンダリングによる単一視点再構成と物理駆動形状最適化という、2つの異なるアプリケーションを用いて理論的洞察を検証する。
どちらの場合も、微分可能なパラメータ化は最先端のアルゴリズムよりも有利である。
関連論文リスト
- Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳（メタデータ） (2022-10-05T16:52:25Z) - Representing 3D Shapes with Probabilistic Directed Distance Fields [7.528141488548544]
暗黙的なアーキテクチャ内での高速な微分可能なレンダリングを可能にする新しい形状表現を開発する。
基礎分野における本質的な不連続性をモデル化する方法を示す。
また, 単一形状の3次元画像モデリング, 単一画像再構成作業にも適用した。
論文 参考訳（メタデータ） (2021-12-10T02:15:47Z) - Differentiable Surface Rendering via Non-Differentiable Sampling [19.606523934811577]
本稿では,明暗表現と暗示表現の両方をサポートする3次元曲面の微分可能レンダリング法を提案する。
ニューラルレイディアンス場(NeRF)から抽出したアイソの高速で微分可能なレンダリングを初めて示し, ボリュームベースではなく, 表面ベースでNeRFのレンダリングを実証した。
論文 参考訳（メタデータ） (2021-08-10T19:25:06Z) - DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文 参考訳（メタデータ） (2021-06-20T20:12:41Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-10T14:31:54Z) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation
of Complex 3D Surfaces [8.104199886760275]
DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。
この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。
論文 参考訳（メタデータ） (2020-11-04T22:49:05Z)
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。