論文の概要: Growing 3D Artefacts and Functional Machines with Neural Cellular
Automata
- arxiv url: http://arxiv.org/abs/2103.08737v1
- Date: Mon, 15 Mar 2021 21:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 13:25:19.796368
- Title: Growing 3D Artefacts and Functional Machines with Neural Cellular
Automata
- Title(参考訳): ニューラルセルオートマタによる三次元人工物と機能機械の育成
- Authors: Shyam Sudhakaran, Djordje Grbic, Siyan Li, Adam Katona, Elias Najarro,
Claire Glanois, Sebastian Risi
- Abstract要約: 提案したニューラルネットワークアーキテクチャにおける3次元畳み込みを利用したNCAの3次元展開を提案する。
NCAは, 城郭, マンション, 木などの複雑な物質を育むことができ, そのうちのいくつかは3,000ブロック以上で構成されている。
- 参考スコア(独自算出の注目度): 6.0034482500242765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural Cellular Automata (NCAs) have been proven effective in simulating
morphogenetic processes, the continuous construction of complex structures from
very few starting cells. Recent developments in NCAs lie in the 2D domain,
namely reconstructing target images from a single pixel or infinitely growing
2D textures. In this work, we propose an extension of NCAs to 3D, utilizing 3D
convolutions in the proposed neural network architecture. Minecraft is selected
as the environment for our automaton since it allows the generation of both
static structures and moving machines. We show that despite their simplicity,
NCAs are capable of growing complex entities such as castles, apartment blocks,
and trees, some of which are composed of over 3,000 blocks. Additionally, when
trained for regeneration, the system is able to regrow parts of simple
functional machines, significantly expanding the capabilities of simulated
morphogenetic systems.
- Abstract(参考訳): 神経細胞オートマタ(NCAs)は、ごくわずかな開始細胞から複雑な構造を連続的に構築する形態形成過程のシミュレーションに有効であることが証明されている。
NCAの最近の発展は2D領域にあり、すなわち、単一のピクセルまたは無限に成長する2Dテクスチャからターゲットイメージを再構成する。
本研究では,提案するニューラルネットワークアーキテクチャにおける3次元畳み込みを利用して,ncasを3dに拡張する手法を提案する。
minecraftは、静的な構造と動くマシンの両方を生成できるので、automattonの環境に選ばれています。
単純さにもかかわらず、NCAは城、マンション、木などの複雑な実体を育むことができ、その一部は3,000ブロック以上で構成されている。
さらに、再生のために訓練されたシステムは、単純な機能機械の一部を再成長させ、シミュレートされた形態形成システムの能力を著しく拡張することができる。
関連論文リスト
- Mesh Neural Cellular Automata [51.80062533524938]
UVマップを必要としない3次元メッシュ上で動的テクスチャを直接合成するメッシュニューラルセルラーオートマタ(MeshNCA)を提案する。
MeshNCAは優れた一般化を示し、トレーニング後に任意のメッシュ上でテクスチャをリアルタイムで合成することができる。
メッシュNCAモデルはメッシュ上でリアルタイムな3次元テクスチャ合成を可能にし,テクスチャ密度/配向制御,グラフトブラシ,動き速度/方向制御などのユーザインタラクションを実現する。
論文 参考訳(メタデータ) (2023-11-06T01:54:37Z) - Exploring Multiple Neighborhood Neural Cellular Automata (MNNCA) for
Enhanced Texture Learning [0.0]
細胞性オートマタ(CA)は、力学系をシミュレートする基礎となっている。
最近のイノベーションは、ディープラーニングの領域にニューラルセルオートマタ(NCA)をもたらした。
NCA は NCA を勾配降下によって訓練し、特定の形状に進化させ、テクスチャを生成し、スワーミングのような振る舞いを模倣することができる。
本研究は,複数の地区を組み込んだNCAフレームワークの強化と,シード状態に対する構造ノイズの導入について検討する。
論文 参考訳(メタデータ) (2023-10-27T15:16:19Z) - Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [81.63322697335228]
我々は,「自由」な仮想監督から,音声オブジェクトのカテゴリー別3D再構成を学習するFarm3Dを提案する。
近年のアプローチでは,物体の3次元形状,アルベド,照明,物体発生の視点を予測するための単眼ネットワークである,対象カテゴリの単一視点画像の集合から学習することができる。
本研究では、安定拡散のような画像生成装置を用いて、そのような再構成ネットワークをスクラッチから学習するための仮想トレーニングデータを生成するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T17:59:34Z) - 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) - ParticleGrid: Enabling Deep Learning using 3D Representation of
Materials [0.39146761527401425]
我々は、$textitParticleGrid$で生成された3Dグリッドの有効性を示し、3D畳み込みニューラルネットワークを用いて分子エネルギー特性を正確に予測する。
我々のモデルは平均2乗誤差0.006を得ることができ、計算コストの高い密度汎関数理論を用いて計算された値とほぼ一致する。
論文 参考訳(メタデータ) (2022-11-15T21:03:34Z) - GET3D: A Generative Model of High Quality 3D Textured Shapes Learned
from Images [72.15855070133425]
本稿では,複雑なトポロジ,リッチな幾何学的ディテール,高忠実度テクスチャを備えたExplicit Textured 3Dメッシュを直接生成する生成モデルであるGET3Dを紹介する。
GET3Dは、車、椅子、動物、バイク、人間キャラクターから建物まで、高品質な3Dテクスチャメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-09-22T17:16:19Z) - Goal-Guided Neural Cellular Automata: Learning to Control
Self-Organising Systems [10.524752369156339]
我々は、Goal-Guided Neural Cellular Automata (GoalNCA)と呼ばれるこの種のシステムを制御するためのアプローチを提案する。
GoalNCAは、細胞成長のすべての段階で動的に細胞挙動を制御するためにゴールエンコーディングを使用する。
また,一部の細胞が目標情報を受け取っている場合でも,NAAの頑健さとタスク性能の維持性を実証する。
論文 参考訳(メタデータ) (2022-04-25T23:11:51Z) - Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face
Reconstruction [76.1612334630256]
我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。
3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
論文 参考訳(メタデータ) (2021-05-16T16:35:44Z) - Attention-based 3D Object Reconstruction from a Single Image [0.2519906683279153]
本稿では,3次元オブジェクト再構成の最先端手法であるOccupancy Networksを改良することを提案する。
本稿では,ネットワークエンコーダ内の自己注意の概念を適用し,補完的な入力機能を活用する。
我々は、メッシュIoUの5.05%、正規一貫性の0.83%、チャンファー-L1距離の10倍以上でオリジナルの作業を改善することができた。
論文 参考訳(メタデータ) (2020-08-11T14:51:18Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳(メタデータ) (2020-06-22T11:41:57Z)
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。