論文の概要: DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation of Complex 3D Surfaces

• arxiv url: http://arxiv.org/abs/2011.02570v2
• Date: Mon, 14 Dec 2020 03:40:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 22:31:54.906237
• Title: DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation of Complex 3D Surfaces
• Title（参考訳）: DUDE:複合三次元表面の高忠実表現のための深部無署名距離埋め込み
• Authors: Rahul Venkatesh, Sarthak Sharma, Aurobrata Ghosh, Laszlo Jeni, Maneesh Singh
• Abstract要約: DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。 この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。
• 参考スコア（独自算出の注目度）: 8.104199886760275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High fidelity representation of shapes with arbitrary topology is an important problem for a variety of vision and graphics applications. Owing to their limited resolution, classical discrete shape representations using point clouds, voxels and meshes produce low quality results when used in these applications. Several implicit 3D shape representation approaches using deep neural networks have been proposed leading to significant improvements in both quality of representations as well as the impact on downstream applications. However, these methods can only be used to represent topologically closed shapes which greatly limits the class of shapes that they can represent. As a consequence, they also often require clean, watertight meshes for training. In this work, we propose DUDE - a Deep Unsigned Distance Embedding method which alleviates both of these shortcomings. DUDE is a disentangled shape representation that utilizes an unsigned distance field (uDF) to represent proximity to a surface, and a normal vector field (nVF) to represent surface orientation. We show that a combination of these two (uDF+nVF) can be used to learn high fidelity representations for arbitrary open/closed shapes. As opposed to prior work such as DeepSDF, our shape representations can be directly learnt from noisy triangle soups, and do not need watertight meshes. Additionally, we propose novel algorithms for extracting and rendering iso-surfaces from the learnt representations. We validate DUDE on benchmark 3D datasets and demonstrate that it produces significant improvements over the state of the art.
• Abstract（参考訳）: 任意の位相を持つ形状の高忠実性表現は、様々なビジョンやグラフィックアプリケーションにとって重要な問題である。 解像度が限られているため、点雲、ボクセル、メッシュを用いた古典的な離散形状表現は、これらのアプリケーションで使用すると低品質の結果を生み出す。 ディープニューラルネットワークを用いた暗黙的な3次元形状表現アプローチが提案され、表現の品質と下流アプリケーションへの影響の両方が大幅に改善されている。 しかし、これらの手法は、それらが表現できる形状のクラスを著しく制限する位相的に閉じた形状を表現するためにのみ使用できる。 そのため、トレーニングには清潔で水密なメッシュが必要になることが多い。 本研究では,これらの欠点を緩和するDuDE-Deep Unsigned Distance Embedding法を提案する。 DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。 この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。 DeepSDFのような以前の作業とは異なり、私たちの形状表現はノイズの多い三角形のスープから直接学習することができ、水密メッシュは必要ありません。 さらに,学習した表現からアイソサーフェスを抽出・描画する新しいアルゴリズムを提案する。 DUDEをベンチマーク3Dデータセットで検証し、その技術状況よりも大幅に改善されていることを示す。

関連論文リスト

• Probabilistic Directed Distance Fields for Ray-Based Shape Representations [8.134429779950658]
  Directed Distance Fields (DDF) は、古典的な距離場の上に構築された新しいニューラルな形状表現である。 基礎分野における本質的な不連続性をモデル化する方法を示す。 次に, 単一形状のフィッティング, 生成モデリング, 単一像の3次元再構成など, DDFを応用した。
  論文  参考訳（メタデータ） (2024-04-13T21:02:49Z)
• UDiFF: Generating Conditional Unsigned Distance Fields with Optimal Wavelet Diffusion [51.31220416754788]
  UDiFFは非符号距離場(UDF)の3次元拡散モデルであり,テキスト条件や非条件条件から開面を有するテクスチャ化された3次元形状を生成することができる。 我々のキーとなるアイデアは、UDF生成のためのコンパクトな表現空間を生成する最適なウェーブレット変換を用いて、空間周波数領域でUDFを生成することである。
  論文  参考訳（メタデータ） (2024-04-10T09:24:54Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• NeuralODF: Learning Omnidirectional Distance Fields for 3D Shape Representation [7.208066405543874]
  ビジュアルコンピューティングでは、3D幾何はメッシュ、点雲、ボクセルグリッド、レベルセット、深度画像など様々な形で表現される。 オムニ距離場(Omni Distance Fields, ODFs)は, 物体表面の深度を任意の3次元位置から任意の視方向から保存することにより, 形状を符号化する新しい3次元形状表現である。
  論文  参考訳（メタデータ） (2022-06-12T20:59:26Z)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)
• Representing 3D Shapes with Probabilistic Directed Distance Fields [7.528141488548544]
  暗黙的なアーキテクチャ内での高速な微分可能なレンダリングを可能にする新しい形状表現を開発する。 基礎分野における本質的な不連続性をモデル化する方法を示す。 また, 単一形状の3次元画像モデリング, 単一画像再構成作業にも適用した。
  論文  参考訳（メタデータ） (2021-12-10T02:15:47Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。