論文の概要: Learning Delaunay Surface Elements for Mesh Reconstruction
- arxiv url: http://arxiv.org/abs/2012.01203v2
- Date: Thu, 6 May 2021 17:17:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:46:22.107133
- Title: Learning Delaunay Surface Elements for Mesh Reconstruction
- Title（参考訳）: メッシュ再構成のためのdlaunay表面要素の学習
- Authors: Marie-Julie Rakotosaona, Paul Guerrero, Noam Aigerman, Niloy Mitra,
Maks Ovsjanikov
- Abstract要約: 本稿では,点雲から三角形メッシュを再構築する手法を提案する。
2次元デラウネー三角測量の特性を利用して、多様体表面要素からメッシュを構成する。
- 参考スコア（独自算出の注目度）: 40.13834693745158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a method for reconstructing triangle meshes from point clouds.
Existing learning-based methods for mesh reconstruction mostly generate
triangles individually, making it hard to create manifold meshes. We leverage
the properties of 2D Delaunay triangulations to construct a mesh from manifold
surface elements. Our method first estimates local geodesic neighborhoods
around each point. We then perform a 2D projection of these neighborhoods using
a learned logarithmic map. A Delaunay triangulation in this 2D domain is
guaranteed to produce a manifold patch, which we call a Delaunay surface
element. We synchronize the local 2D projections of neighboring elements to
maximize the manifoldness of the reconstructed mesh. Our results show that we
achieve better overall manifoldness of our reconstructed meshes than current
methods to reconstruct meshes with arbitrary topology. Our code, data and
pretrained models can be found online:
https://github.com/mrakotosaon/dse-meshing
- Abstract（参考訳）: 本稿では,点雲から三角形メッシュを再構築する手法を提案する。
既存の学習に基づくメッシュ再構成手法は、主に個々の三角形を生成するため、多様体メッシュの作成が困難である。
2次元ドローネー三角測量の特性を利用して、多様体面要素からメッシュを構成する。
提案手法はまず各地点周辺の測地線地域を推定する。
次に、学習した対数マップを用いて、これらの地区の2次元投影を行う。
この2次元領域におけるデラウネー三角形は、デラウネー曲面要素と呼ばれる多様体パッチを生成することが保証される。
隣接要素の局所的な2次元投影を同期させ、再構成されたメッシュの多様体性を最大化する。
その結果、任意のトポロジーを持つメッシュを再構築する現在の手法よりも、再構成メッシュ全体の多様体性が向上した。
私たちのコード、データ、事前訓練されたモデルはオンラインで見つけることができます。
関連論文リスト
- CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。
我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。
我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-01-23T03:32:57Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - Laplacian2Mesh: Laplacian-Based Mesh Understanding [4.808061174740482]
我々は3次元トライアングルメッシュのための新しいフレキシブル畳み込みニューラルネットワーク(CNN)モデルであるLaplacian2Meshを紹介した。
メッシュプーリングはラプラシアンの多空間変換によりネットワークの受容場を拡張するために適用される。
3Dメッシュに適用されたさまざまな学習タスクの実験は、Laplacian2Meshの有効性と効率を実証している。
論文 参考訳（メタデータ） (2022-02-01T10:10:13Z) - Learnable Triangulation for Deep Learning-based 3D Reconstruction of
Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。
提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
論文 参考訳（メタデータ） (2021-09-24T09:44:22Z) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳（メタデータ） (2020-06-30T19:36:38Z) - DualConvMesh-Net: Joint Geodesic and Euclidean Convolutions on 3D Meshes [28.571946680616765]
本稿では3次元幾何データよりも深い階層的畳み込みネットワークのファミリーを提案する。
最初の型である測地的畳み込みは、メッシュ表面またはグラフ上のカーネルウェイトを定義する。
第2のタイプであるユークリッドの畳み込みは、基盤となるメッシュ構造とは独立である。
論文 参考訳（メタデータ） (2020-04-02T13:52:00Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
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。