論文の概要: On the Effectiveness of Weight-Encoded Neural Implicit 3D Shapes

• arxiv url: http://arxiv.org/abs/2009.09808v3
• Date: Sun, 17 Jan 2021 21:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 12:13:49.581266
• Title: On the Effectiveness of Weight-Encoded Neural Implicit 3D Shapes
• Title（参考訳）: 重み付き符号化型ニューラルインシシット3次元形状の有効性について
• Authors: Thomas Davies and Derek Nowrouzezahrai and Alec Jacobson
• Abstract要約: ニューラル暗黙は、空間内の所定のクエリポイントが内部、外部、または表面にあるかどうかを示す番号を出力する。 従来の研究は_latent-encoded_ Neural implicitsに重点を置いており、特定の形状の潜在ベクトル符号化も入力として提供される。 _weight-encoded_ニューラル暗黙は潜伏ベクトルを抑え、単一形状の詳細に再構成精度を集中させる。
• 参考スコア（独自算出の注目度）: 38.13954772608884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A neural implicit outputs a number indicating whether the given query point in space is inside, outside, or on a surface. Many prior works have focused on _latent-encoded_ neural implicits, where a latent vector encoding of a specific shape is also fed as input. While affording latent-space interpolation, this comes at the cost of reconstruction accuracy for any _single_ shape. Training a specific network for each 3D shape, a _weight-encoded_ neural implicit may forgo the latent vector and focus reconstruction accuracy on the details of a single shape. While previously considered as an intermediary representation for 3D scanning tasks or as a toy-problem leading up to latent-encoding tasks, weight-encoded neural implicits have not yet been taken seriously as a 3D shape representation. In this paper, we establish that weight-encoded neural implicits meet the criteria of a first-class 3D shape representation. We introduce a suite of technical contributions to improve reconstruction accuracy, convergence, and robustness when learning the signed distance field induced by a polygonal mesh -- the _de facto_ standard representation. Viewed as a lossy compression, our conversion outperforms standard techniques from geometry processing. Compared to previous latent- and weight-encoded neural implicits we demonstrate superior robustness, scalability, and performance.
• Abstract（参考訳）: ニューラル暗黙は、空間内の所定のクエリポイントが内部、外部、または表面にあるかどうかを示す番号を出力する。 多くの先行研究は_latent-encoded_ Neural implicitsに焦点を当てており、特定の形状の潜在ベクトル符号化も入力として提供される。 潜在空間補間が可能ではあるが、これは任意の_single_形状の再構成精度のコストがかかる。 3d形状ごとに特定のネットワークを訓練すると、_weight-encoded_ neural implicitは潜伏ベクトルと焦点再構成精度を1つの形状の詳細に強制する。 以前は3dスキャンタスクの中間表現、あるいは潜在エンコードタスクに至るおもちゃのプロブレムと見なされていたが、重みエンコードされたニューラルネットワークの暗黙的表現は、まだ3d形状表現として真剣に捉えられていない。 本稿では,重み付きニューラルネットワークが第一級の3次元形状表現の基準を満たすことを確かめる。 我々は,ポリゴンメッシュによって誘導される符号付き距離場(_de facto_標準表現)を学ぶ際に,再現精度,収束性,堅牢性を改善するための一連の技術貢献を紹介する。 損失圧縮と見なされ、我々の変換は幾何処理の標準技術よりも優れている。 従来の潜在型および重み付きニューラルネットワークと比較して、優れた堅牢性、スケーラビリティ、パフォーマンスを示している。

関連論文リスト

• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Zero-Level-Set Encoder for Neural Distance Fields [10.269224726391807]
  本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。 ネットワークはアイコン方程式を解くために訓練されており、訓練と推論のためにゼロレベル集合の知識しか必要としない。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• SAGA: Spectral Adversarial Geometric Attack on 3D Meshes [13.84270434088512]
  三角形メッシュは、最も人気のある3Dデータ表現の1つである。 本稿では,3次元メッシュオートエンコーダに対する幾何学的逆アタックのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-24T19:29:04Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene Understanding [19.134536179555102]
  生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。 提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
  論文  参考訳（メタデータ） (2020-11-29T12:56:19Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)
• Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
  Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
  論文  参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。