論文の概要: Learning to Generate 3D Shapes with Generative Cellular Automata
- arxiv url: http://arxiv.org/abs/2103.04130v1
- Date: Sat, 6 Mar 2021 14:59:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 02:19:50.163444
- Title: Learning to Generate 3D Shapes with Generative Cellular Automata
- Title(参考訳): 生成セルオートマトンによる3次元形状生成の学習
- Authors: Dongsu Zhang, Changwoon Choi, Jeonghwan Kim, Young Min Kim
- Abstract要約: 形状生成過程をマルコフ鎖の遷移核からのサンプリングとして定式化する。
トランジションカーネルは、セルラーオートマタのローカル更新ルールを採用し、高解像度の3Dグリッド空間での検索スペースを効果的に削減します。
本稿では,サンプリングチェーンとは若干異なるが,トレーニングデータの完全な形状に収束する配列を持つ生成セルオートマトンを局所的に均質に規則化する効果的なトレーニング手法を提案する。
- 参考スコア(独自算出の注目度): 4.721845865189576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a probabilistic 3D generative model, named Generative Cellular
Automata, which is able to produce diverse and high quality shapes. We
formulate the shape generation process as sampling from the transition kernel
of a Markov chain, where the sampling chain eventually evolves to the full
shape of the learned distribution. The transition kernel employs the local
update rules of cellular automata, effectively reducing the search space in a
high-resolution 3D grid space by exploiting the connectivity and sparsity of 3D
shapes. Our progressive generation only focuses on the sparse set of occupied
voxels and their neighborhood, thus enabling the utilization of an expressive
sparse convolutional network. We propose an effective training scheme to obtain
the local homogeneous rule of generative cellular automata with sequences that
are slightly different from the sampling chain but converge to the full shapes
in the training data. Extensive experiments on probabilistic shape completion
and shape generation demonstrate that our method achieves competitive
performance against recent methods.
- Abstract(参考訳): 本稿では,多様で高品質な形状を生成できる確率的3次元生成モデルとして,生成セルオートマトンを提案する。
形状生成過程をマルコフ鎖の遷移核からのサンプリングとして定式化し、サンプリング鎖は最終的に学習した分布の完全な形状へと進化する。
トランジッションカーネルはセルオートマタの局所更新ルールを採用し、3d形状の接続性とスパース性を利用して、高解像度の3dグリッド空間における探索空間を効果的に削減する。
我々の進歩的生成は、占有されたボクセルとその近傍のスパース集合にのみ焦点をあて、表現力のあるスパース畳み込みネットワークの利用を可能にする。
本稿では,サンプリングチェーンとは若干異なるが,トレーニングデータの完全な形状に収束する配列を持つ生成セルオートマトンを局所的に均質に規則化する効果的なトレーニング手法を提案する。
確率的形状完了と形状生成に関する広範な実験により,最近の手法との競合性が得られた。
関連論文リスト
- Pushing Auto-regressive Models for 3D Shape Generation at Capacity and
Scalability [121.44324465222498]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳(メタデータ) (2024-02-19T15:33:09Z) - Make-A-Shape: a Ten-Million-scale 3D Shape Model [55.34451258972251]
本稿では,大規模な効率的なトレーニングを目的とした新しい3次元生成モデルであるMake-A-Shapeを紹介する。
まずウェーブレットツリー表現を革新し、サブバンド係数フィルタリングスキームを定式化して形状をコンパクトに符号化する。
我々は、粗いウェーブレット係数の生成を効果的に学習するために、我々のモデルを訓練するためのサブバンド適応型トレーニング戦略を導出する。
論文 参考訳(メタデータ) (2024-01-20T00:21:58Z) - Few-shot 3D Shape Generation [18.532357455856836]
本研究では,大領域で事前学習した生成モデルを限定データを用いて対象領域に適応させることにより,少数の3次元形状生成を実現するための最初の試みを行う。
提案手法では,ターゲット形状分布を学習するためのトレーニングデータとして,数発のターゲットサンプルのシルエットしか必要としない。
論文 参考訳(メタデータ) (2023-05-19T13:30:10Z) - DiffFacto: Controllable Part-Based 3D Point Cloud Generation with Cross
Diffusion [68.39543754708124]
DiffFactoは,部品レベルの制御で形状の分布を学習する新しい確率的生成モデルである。
実験により,複数の制御軸を持つ新しい形状を生成可能であることが示された。
最先端のパートレベルの生成品質を実現し、可塑性かつコヒーレントな形状を生成する。
論文 参考訳(メタデータ) (2023-05-03T06:38:35Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳(メタデータ) (2023-03-26T12:03:18Z) - Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and
Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文 参考訳(メタデータ) (2023-02-01T02:47:53Z) - 3D Neural Field Generation using Triplane Diffusion [37.46688195622667]
ニューラルネットワークの3次元認識のための効率的な拡散ベースモデルを提案する。
当社のアプローチでは,ShapeNetメッシュなどのトレーニングデータを,連続的占有フィールドに変換することによって前処理する。
本論文では,ShapeNetのオブジェクトクラスにおける3D生成の現状について述べる。
論文 参考訳(メタデータ) (2022-11-30T01:55:52Z) - GLASS: Geometric Latent Augmentation for Shape Spaces [28.533018136138825]
幾何学的に動機づけられたエネルギーを用いて拡張し、その結果、サンプル(トレーニング)モデルのスパースコレクションを増強する。
本研究では,高剛性(ARAP)エネルギーのヘシアン解析を行い,その基礎となる(局所)形状空間に投射する。
我々は,3~10個のトレーニング形状から始めても,興味深い,意味のある形状変化の例をいくつか提示する。
論文 参考訳(メタデータ) (2021-08-06T17:56:23Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳(メタデータ) (2020-04-21T13:40:03Z) - PolyGen: An Autoregressive Generative Model of 3D Meshes [22.860421649320287]
本稿では,Transformerベースのアーキテクチャを用いてメッシュを直接モデル化するアプローチを提案する。
我々のモデルは、オブジェクトクラス、ボクセル、イメージなど、様々な入力を条件にすることができる。
このモデルでは、高品質で使い勝手の良いメッシュを生成でき、メッシュモデリングタスクのためのログライクなベンチマークを確立することができる。
論文 参考訳(メタデータ) (2020-02-23T17:16:34Z)
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。