論文の概要: ShapeFlow: Learnable Deformations Among 3D Shapes

• arxiv url: http://arxiv.org/abs/2006.07982v2
• Date: Wed, 23 Jun 2021 22:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 13:32:46.938833
• Title: ShapeFlow: Learnable Deformations Among 3D Shapes
• Title（参考訳）: ShapeFlow: 3次元形状の学習可能な変形
• Authors: Chiyu "Max" Jiang, Jingwei Huang, Andrea Tagliasacchi, Leonidas Guibas
• Abstract要約: 本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
• 参考スコア（独自算出の注目度）: 28.854946339507123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ShapeFlow, a flow-based model for learning a deformation space for entire classes of 3D shapes with large intra-class variations. ShapeFlow allows learning a multi-template deformation space that is agnostic to shape topology, yet preserves fine geometric details. Different from a generative space where a latent vector is directly decoded into a shape, a deformation space decodes a vector into a continuous flow that can advect a source shape towards a target. Such a space naturally allows the disentanglement of geometric style (coming from the source) and structural pose (conforming to the target). We parametrize the deformation between geometries as a learned continuous flow field via a neural network and show that such deformations can be guaranteed to have desirable properties, such as be bijectivity, freedom from self-intersections, or volume preservation. We illustrate the effectiveness of this learned deformation space for various downstream applications, including shape generation via deformation, geometric style transfer, unsupervised learning of a consistent parameterization for entire classes of shapes, and shape interpolation.
• Abstract（参考訳）: 本稿では,3次元形状全体の変形空間を学習するためのフローベースモデルであるshapeflowを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。 遅延ベクトルが直接形状にデコードされる生成空間と異なり、変形空間はベクトルを連続流れにデコードし、ソース形状を目標に向けて対流させることができる。 このような空間は、自然に幾何学的スタイル(元から来る)と構造的ポーズ(ターゲットに変形する)の切り離しを許す。 ニューラルネットワークによって学習された連続的流れ場としてジオメトリ間の変形をパラメトリ化し、そのような変形が単射性、自己切断の自由、体積保存といった望ましい特性を持つことを保証できることを示す。 本研究は, 変形による形状生成, 幾何学的様相転移, 形状のクラス全体に対する一貫したパラメータ化の教師なし学習, 形状補間など, 下流の様々な応用において学習された変形空間の有効性を示す。

関連論文リスト

• 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)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)
• Neural Shape Deformation Priors [14.14047635248036]
  本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
  論文  参考訳（メタデータ） (2022-10-11T17:03:25Z)
• Topology-Preserving Shape Reconstruction and Registration via Neural Diffeomorphic Flow [22.1959666473906]
  Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。 深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。 NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
  論文  参考訳（メタデータ） (2022-03-16T14:39:11Z)
• Cloud Sphere: A 3D Shape Representation via Progressive Deformation [21.216503294296317]
  本論文は形状形成過程から特異な情報を発見することを目的としている。 プログレッシブな変形に基づくオートエンコーダを提案する。 実験の結果,提案したPDAEは高忠実度で3次元形状を復元できることがわかった。
  論文  参考訳（メタデータ） (2021-12-21T12:10:23Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• 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)
• Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
  3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。 本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。 得られたモデルは生の3D形状からトレーニングできる。
  論文  参考訳（メタデータ） (2021-02-27T06:54:31Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)

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。