論文の概要: Fully Convolutional Mesh Autoencoder using Efficient Spatially Varying Kernels

• arxiv url: http://arxiv.org/abs/2006.04325v2
• Date: Wed, 21 Oct 2020 06:16:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 01:51:12.165935
• Title: Fully Convolutional Mesh Autoencoder using Efficient Spatially Varying Kernels
• Title（参考訳）: 空間可変カーネルを用いた完全畳み込みメッシュオートエンコーダ
• Authors: Yi Zhou, Chenglei Wu, Zimo Li, Chen Cao, Yuting Ye, Jason Saragih, Hao Li, Yaser Sheikh
• Abstract要約: 任意の登録メッシュデータに対する非テンプレート固有完全畳み込みメッシュオートエンコーダを提案する。 我々のモデルは、復元精度の最先端手法よりも優れています。
• 参考スコア（独自算出の注目度）: 41.81187438494441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning latent representations of registered meshes is useful for many 3D tasks. Techniques have recently shifted to neural mesh autoencoders. Although they demonstrate higher precision than traditional methods, they remain unable to capture fine-grained deformations. Furthermore, these methods can only be applied to a template-specific surface mesh, and is not applicable to more general meshes, like tetrahedrons and non-manifold meshes. While more general graph convolution methods can be employed, they lack performance in reconstruction precision and require higher memory usage. In this paper, we propose a non-template-specific fully convolutional mesh autoencoder for arbitrary registered mesh data. It is enabled by our novel convolution and (un)pooling operators learned with globally shared weights and locally varying coefficients which can efficiently capture the spatially varying contents presented by irregular mesh connections. Our model outperforms state-of-the-art methods on reconstruction accuracy. In addition, the latent codes of our network are fully localized thanks to the fully convolutional structure, and thus have much higher interpolation capability than many traditional 3D mesh generation models.
• Abstract（参考訳）: 登録メッシュの潜在表現を学習することは、多くの3Dタスクに役立ちます。 最近、技術はニューラルネットワークオートエンコーダに移行した。 従来の方法よりも精度が高いが、微細な変形を捉えることはできない。 さらに、これらの手法はテンプレート固有の表面メッシュにのみ適用でき、テトラヘドロンや非マニフォールドメッシュのようなより一般的なメッシュには適用できない。 より一般的なグラフ畳み込み法を用いることができるが、再構築精度は高く、高いメモリ使用量を必要とする。 本稿では,任意のメッシュデータを対象とした非テンプレート固有完全畳み込みメッシュオートエンコーダを提案する。 グローバルに共有される重みと局所的に変化する係数で学習し、不規則なメッシュ接続によって提示される空間的に変化するコンテンツを効率的にキャプチャすることができる。 本モデルは再構築精度の最先端手法を上回っている。 さらに、ネットワークの潜在コードは畳み込み構造のおかげで完全に局所化されており、従来の3dメッシュ生成モデルよりもはるかに高い補間能力を持っています。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• PivotMesh: Generic 3D Mesh Generation via Pivot Vertices Guidance [66.40153183581894]
  汎用的でスケーラブルなメッシュ生成フレームワークであるPivotMeshを紹介します。 PivotMeshは、ネイティブメッシュ生成を大規模データセットに拡張する最初の試みである。 PivotMeshは,様々なカテゴリにまたがって,コンパクトでシャープな3Dメッシュを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-05-27T07:13:13Z)
• GetMesh: A Controllable Model for High-quality Mesh Generation and Manipulation [25.42531640985281]
  Meshは様々な産業アプリケーションにおける3Dアセットの基本的な表現であり、プロのソフトウェアによって広く支持されている。 本稿では,メッシュ生成と異なるカテゴリ間の操作のための,高度に制御可能な生成モデルGetMeshを提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:25:36Z)
• Mesh Convolutional Autoencoder for Semi-Regular Meshes of Different Sizes [0.0]
  最先端のメッシュ畳み込みオートエンコーダは、オートエンコーダによって処理されるすべての入力メッシュの固定接続を必要とする。 我々は、表面の離散化を、局所的な正則接続を持ち、メッシュが階層的な半正則メッシュに変換する。 我々は、同じメッシュオートエンコーダを異なるデータセットに適用し、再構築エラーは最先端モデルのエラーよりも50%以上低い。
  論文  参考訳（メタデータ） (2021-10-18T15:30:40Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• 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)

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。