論文の概要: UCSG-Net -- Unsupervised Discovering of Constructive Solid Geometry Tree
- arxiv url: http://arxiv.org/abs/2006.09102v3
- Date: Tue, 20 Oct 2020 17:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 19:44:20.759300
- Title: UCSG-Net -- Unsupervised Discovering of Constructive Solid Geometry Tree
- Title（参考訳）: UCSG-Net -- 構造的ソリッドジオメトリーツリーの教師なし発見
- Authors: Kacper Kania, Maciej Zi\k{e}ba, Tomasz Kajdanowicz
- Abstract要約: 既存の3次元形状復元へのアプローチは、制御され、プロセス中に事前に与えられるCSGプリミティブツリー全体が必要となる。
本モデルでは,操作のパラメータを予測し,その表現を微分可能なインジケータ関数で解析する。
我々のモデルは解釈可能であり、ソフトウェアで使用できることを示す。
- 参考スコア（独自算出の注目度）: 6.605824452872053
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Signed distance field (SDF) is a prominent implicit representation of 3D
meshes. Methods that are based on such representation achieved state-of-the-art
3D shape reconstruction quality. However, these methods struggle to reconstruct
non-convex shapes. One remedy is to incorporate a constructive solid geometry
framework (CSG) that represents a shape as a decomposition into primitives. It
allows to embody a 3D shape of high complexity and non-convexity with a simple
tree representation of Boolean operations. Nevertheless, existing approaches
are supervised and require the entire CSG parse tree that is given upfront
during the training process. On the contrary, we propose a model that extracts
a CSG parse tree without any supervision - UCSG-Net. Our model predicts
parameters of primitives and binarizes their SDF representation through
differentiable indicator function. It is achieved jointly with discovering the
structure of a Boolean operators tree. The model selects dynamically which
operator combination over primitives leads to the reconstruction of high
fidelity. We evaluate our method on 2D and 3D autoencoding tasks. We show that
the predicted parse tree representation is interpretable and can be used in CAD
software.
- Abstract（参考訳）: 符号付き距離場(SDF)は3次元メッシュの顕著な暗黙的表現である。
このような表現に基づく手法は、最先端の3次元形状復元の品質を達成した。
しかし、これらの手法は非凸形状の再構築に苦しむ。
一つは、形をプリミティブへの分解として表現するコンストラクティブ・ソリッド・ジオメトリ・フレームワーク(csg)を組み込むことである。
ブール演算の単純なツリー表現で、複雑さと非凸性の3次元形状を具現化することができる。
それにもかかわらず、既存のアプローチは監視され、トレーニングプロセス中に前もって与えられたcsgパースツリー全体を必要とする。
一方,CSG 解析木を UCSG-Net の監督なしに抽出するモデルを提案する。
我々のモデルはプリミティブのパラメータを予測し、微分可能なインジケータ関数によってSDF表現をバイナライズする。
これはブール作用素木の構造の発見と共同で達成される。
モデルは、プリミティブ上の演算子の組み合わせが高忠実度を再構築する、動的に選択する。
2次元および3次元の自動エンコーディングタスクにおいて,提案手法を評価した。
予測した解析木表現は解釈可能であり,cadソフトウェアで使用できることを示す。
関連論文リスト
- PyTorchGeoNodes: Enabling Differentiable Shape Programs for 3D Shape Reconstruction [27.98261111833689]
PyTorchGeoNodesは,解釈可能な形状プログラムを用いて画像から3Dオブジェクトを再構成する,識別可能なモジュールである。
実験では,ScanNetデータセットの3次元オブジェクトの再構成にアルゴリズムを適用し,CADモデル検索による再構成に対して評価を行った。
論文 参考訳（メタデータ） (2024-04-16T14:43:33Z) - 3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
単一の2D画像から3D形状を再構築することは難しい作業だ。
従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。
本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
論文 参考訳（メタデータ） (2022-03-29T02:03:31Z) - RIM-Net: Recursive Implicit Fields for Unsupervised Learning of
Hierarchical Shape Structures [18.5420635041504]
RIM-Netは階層構造の教師なし推論のための暗黙の場を学習するニューラルネットワークである。
RIM-Netによる階層構造推論の品質,一貫性,解釈可能性を示す。
論文 参考訳（メタデータ） (2022-01-30T09:31:24Z) - 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) - Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D
Shapes [77.6741486264257]
本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。
我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
論文 参考訳（メタデータ） (2021-01-26T18:50:22Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳（メタデータ） (2020-04-02T17:58:05Z) - PT2PC: Learning to Generate 3D Point Cloud Shapes from Part Tree
Conditions [66.87405921626004]
本稿では,シンボル部分木表現から3次元形状点雲の幾何を生成するという新しい問題について検討する。
構造的および幾何学的要因を乱す条件付きGAN "part tree"-to-point cloud"モデル(PT2PC)を提案する。
論文 参考訳（メタデータ） (2020-03-19T08:27:25Z) - Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。
本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
論文 参考訳（メタデータ） (2020-03-03T17:40:00Z)
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。