論文の概要: Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows

• arxiv url: http://arxiv.org/abs/2007.10973v2
• Date: Wed, 2 Dec 2020 17:00:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 05:04:45.215044
• Title: Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows
• Title（参考訳）: ニューラルメッシュフロー:拡散型流れによる3次元マニフォールドメッシュ生成
• Authors: Kunal Gupta and Manmohan Chandraker
• Abstract要約: ニューラルメッシュフロー (NMF) を用いて, 種数0の2次元メッシュを生成する。 NMFは数個のニューラル正規微分方程式(NODE)ブロックからなる形状自動エンコーダで、球面メッシュを段階的に変形させることで正確なメッシュ形状を学習する。 実験の結果,NMFは単一視点メッシュ再構成,大域的な形状パラメータ化,テクスチャマッピング,形状変形,対応性など,いくつかの応用に役立つことがわかった。
• 参考スコア（独自算出の注目度）: 79.39092757515395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meshes are important representations of physical 3D entities in the virtual world. Applications like rendering, simulations and 3D printing require meshes to be manifold so that they can interact with the world like the real objects they represent. Prior methods generate meshes with great geometric accuracy but poor manifoldness. In this work, we propose Neural Mesh Flow (NMF) to generate two-manifold meshes for genus-0 shapes. Specifically, NMF is a shape auto-encoder consisting of several Neural Ordinary Differential Equation (NODE)[1] blocks that learn accurate mesh geometry by progressively deforming a spherical mesh. Training NMF is simpler compared to state-of-the-art methods since it does not require any explicit mesh-based regularization. Our experiments demonstrate that NMF facilitates several applications such as single-view mesh reconstruction, global shape parameterization, texture mapping, shape deformation and correspondence. Importantly, we demonstrate that manifold meshes generated using NMF are better-suited for physically-based rendering and simulation. Code and data are released.
• Abstract（参考訳）: メッシュは、仮想世界での物理3Dエンティティの重要な表現である。 レンダリングやシミュレーション,3Dプリンティングといったアプリケーションでは,メッシュを多様体として,それらが表現する実際のオブジェクトのように世界と対話できるようにする必要がある。 以前の手法では、幾何学的精度は高いが多様体性は乏しいメッシュを生成する。 本研究ではニューラルメッシュフロー (NMF) を用いて, 種数-0の2次元メッシュを生成する。 具体的には、nmfは複数の神経常微分方程式(ノード)[1]ブロックからなる形状オートエンコーダであり、球状メッシュを段階的に変形させて正確なメッシュ形状を学ぶ。 NMFのトレーニングは、明確なメッシュベースの正規化を必要としないため、最先端の手法に比べてシンプルである。 実験により, nmfは, 単視点メッシュ再構成, グローバル形状パラメータ化, テクスチャマッピング, 形状変形, 対応など, 様々な応用が容易であることを実証した。 重要なことは、NMFを用いて生成された多様体メッシュが、物理ベースのレンダリングとシミュレーションに適していることである。 コードとデータはリリースされます。

関連論文リスト

• 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)
• Locally Adaptive Neural 3D Morphable Models [38.38400553022714]
  本稿では、3Dメッシュの生成と操作を学習するフレームワークであるLocally Adaptive Morphable Model (LAMM)を紹介する。 非常に効率的な計算グラフにより、我々のネットワークは、以前の手法で必要とされるメモリのごく一部でトレーニングできる。 さらに、より高度な編集操作のためのプリミティブとして局所幾何学制御を活用し、微分関数のセットを示す。
  論文  参考訳（メタデータ） (2024-01-05T18:28:51Z)
• MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
  本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。 メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。 具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-14T17:59:01Z)
• Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
  本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。 Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。 変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
  論文  参考訳（メタデータ） (2022-11-28T17:55:34Z)
• 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)
• 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)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。