論文の概要: Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks

• arxiv url: http://arxiv.org/abs/2103.10429v1
• Date: Thu, 18 Mar 2021 17:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 13:57:49.032658
• Title: Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks
• Title（参考訳）: ニューラルネットワークによる表現型3次元形状抽象化の学習
• Authors: Despoina Paschalidou and Angelos Katharopoulos and Andreas Geiger and Sanja Fidler
• Abstract要約: Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
• 参考スコア（独自算出の注目度）: 118.20778308823779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Impressive progress in 3D shape extraction led to representations that can capture object geometries with high fidelity. In parallel, primitive-based methods seek to represent objects as semantically consistent part arrangements. However, due to the simplicity of existing primitive representations, these methods fail to accurately reconstruct 3D shapes using a small number of primitives/parts. We address the trade-off between reconstruction quality and number of parts with Neural Parts, a novel 3D primitive representation that defines primitives using an Invertible Neural Network (INN) which implements homeomorphic mappings between a sphere and the target object. The INN allows us to compute the inverse mapping of the homeomorphism, which in turn, enables the efficient computation of both the implicit surface function of a primitive and its mesh, without any additional post-processing. Our model learns to parse 3D objects into semantically consistent part arrangements without any part-level supervision. Evaluations on ShapeNet, D-FAUST and FreiHAND demonstrate that our primitives can capture complex geometries and thus simultaneously achieve geometrically accurate as well as interpretable reconstructions using an order of magnitude fewer primitives than state-of-the-art shape abstraction methods.
• Abstract（参考訳）: 3次元形状抽出の素晴らしい進歩は、高い忠実度で物体のジオメトリをキャプチャできる表現につながった。 並行して、プリミティブベースのメソッドはオブジェクトを意味的に一貫した部分アレンジメントとして表現しようとする。 しかし、既存のプリミティブ表現の単純さから、これらの手法は少数のプリミティブ/パーツを使用して正確に3d形状を再構築できない。 Invertible Neural Network (INN) を用いて, 球面と対象物体の同相写像を実装した, プリミティブを定義する新しい3次元プリミティブ表現であるNeural Parts による再構成品質と部品数とのトレードオフに対処する。 INNは同相写像の逆写像を計算でき、それによってプリミティブの表面関数とメッシュの両方の効率的な計算を、追加の処理後処理なしで実現できる。 我々のモデルは、3Dオブジェクトを意味的に一貫した部分配置にパースすることを学ぶ。 ShapeNet, D-FAUST, FreiHANDの評価は, 我々のプリミティブが複雑なジオメトリをキャプチャし, 同時に幾何学的に精度良く再現できることを示した。

関連論文リスト

• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質な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） (2022-06-10T08:32:57Z)
• ANISE: Assembly-based Neural Implicit Surface rEconstruction [12.745433575962842]
  本稿では,部分的な観測から3次元形状を再構成するANISEについて述べる。 形状は神経暗黙の関数の集合として定式化され、それぞれが異なる部分のインスタンスを表す。 本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-27T00:01:40Z)
• 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)
• 3DIAS: 3D Shape Reconstruction with Implicit Algebraic Surfaces [45.18497913809082]
  原始的ベース表現は、主に単純な暗黙的プリミティブの集合によって3次元形状を近似する。 学習可能な係数がほとんどなく、より高度な幾何学的複素量を持つ原始曲面として、制約付き暗黙的代数曲面を提案する。 本手法は,教師なしの方法で3次元形状のセグメントを意味的に学習することができる。
  論文  参考訳（メタデータ） (2021-08-19T12:34:28Z)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)
• Neural Star Domain as Primitive Representation [65.7313602687861]
  本稿では、ニューラルスター領域(NSD)と呼ばれる新しい原始的表現を提案し、恒星領域の原始的形状を学習する。 NSDは、恒星領域の普遍的な近似器であり、擬似的かつ意味的なだけでなく、暗黙的かつ明示的な形状表現でもある。 提案手法は,高分解能メッシュサンプリングにおける画像再構成タスク,セマンティック機能,速度と品質において,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-21T19:05:16Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。