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

• Multi-Texture Synthesis through Signal Responsive Neural Cellular Automata [44.99833362998488]
  我々は、個々の例に基づいて、複数のテクスチャの進化のために単一のNAAを訓練する。 我々のソリューションは、内部コード化されたゲノム信号の形で、各セルの状態をテクスチャ情報として提供し、NAAが期待するテクスチャを生成することを可能にする。
  論文  参考訳（メタデータ） (2024-07-08T14:36:20Z)
• CLAY: A Controllable Large-scale Generative Model for Creating High-quality 3D Assets [43.315487682462845]
  CLAYは、人間の想像力を複雑な3Dデジタル構造に変換するために設計された3D幾何学および材料生成装置である。 中心となるのは、多解像度変分オートエンコーダ(VAE)と最小遅延拡散変換器(DiT)からなる大規模生成モデルである。 我々はCLAYを、スケッチ的な概念設計から複雑な詳細を持つ生産可能な資産まで、様々な制御可能な3Dアセット作成に活用することを実証する。
  論文  参考訳（メタデータ） (2024-05-30T05:57:36Z)
• Progress and Prospects in 3D Generative AI: A Technical Overview including 3D human [51.58094069317723]
  本稿は,2023年後半に主に刊行された関連論文の概要と概要を概説することを目的とする。 最初は、AIが生成したオブジェクトモデルを3Dで議論し、続いて生成された3Dの人間モデル、そして最後に生成された3Dの人間の動きを、決定的な要約と未来へのビジョンで結論付ける。
  論文  参考訳（メタデータ） (2024-01-05T03:41:38Z)
• Mesh Neural Cellular Automata [62.101063045659906]
  本稿では,UVマップを必要とせずに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オートマタ(MeshNCA)を提案する。 IcosphereメッシュでのみトレーニングされたMeshNCAは、驚くべきテストタイムの一般化を示し、目に見えないメッシュ上でテクスチャをリアルタイムで合成する。
  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)
• 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)
• 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)
• 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。