論文の概要: Progressive Encoding for Neural Optimization
- arxiv url: http://arxiv.org/abs/2104.09125v1
- Date: Mon, 19 Apr 2021 08:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:18:48.549076
- Title: Progressive Encoding for Neural Optimization
- Title（参考訳）: 神経最適化のためのプログレッシブエンコーディング
- Authors: Amir Hertz, Or Perel, Raja Giryes, Olga Sorkine-Hornung and Daniel
Cohen-Or
- Abstract要約: メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。
最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
- 参考スコア（独自算出の注目度）: 92.55503085245304
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce a Progressive Positional Encoding (PPE) layer, which gradually
exposes signals with increasing frequencies throughout the neural optimization.
In this paper, we show the competence of the PPE layer for mesh transfer and
its advantages compared to contemporary surface mapping techniques. Our
approach is simple and requires little user guidance. Most importantly, our
technique is a parameterization-free method, and thus applicable to a variety
of target shape representations, including point clouds, polygon soups, and
non-manifold meshes. We demonstrate that the transferred meshing remains
faithful to the source mesh design characteristics, and at the same time fits
the target geometry well.
- Abstract（参考訳）: そこで本研究では,神経最適化により周波数が増大する信号が徐々に露出するプログレッシブ・ポジショナル・エンコーディング(ppe)層を提案する。
本稿では,メッシュ転送のためのPPE層の能力とその利点を,現代の表面マッピング技術と比較して示す。
私たちのアプローチはシンプルで、ユーザーガイダンスをほとんど必要としません。
最も重要なのは,パラメタライズフリーな手法であり,ポイントクラウド,ポリゴンスープ,非マニフォールドメッシュなど,さまざまな対象形状表現に適用可能である。
転送されたメッシュは、ソースメッシュの設計特性に忠実であり、同時にターゲットジオメトリにも適していることを実証する。
関連論文リスト
- Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object
Structure via HyperNetworks [53.67497327319569]
画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。
提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。
本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
論文 参考訳（メタデータ） (2023-12-24T08:42:37Z) - EPTQ: Enhanced Post-Training Quantization via Hessian-guided Network-wise Optimization [3.3998740964877463]
量子化は、メモリと計算リソースが限られているエッジデバイスにディープニューラルネットワークをデプロイするための重要な方法である。
本稿では,ネットワークワイド量子化最適化プロセスを用いたEPTQ(Post-Training Quantization)の高速化手法を提案する。
論文 参考訳（メタデータ） (2023-09-20T10:50:28Z) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳（メタデータ） (2023-08-10T06:40:19Z) - Learned Vertex Descent: A New Direction for 3D Human Model Fitting [64.04726230507258]
画像やスキャンに適合する3次元人体モデルのための新しい最適化手法を提案する。
われわれのアプローチは、非常に異なる体型を持つ服を着た人々の基盤となる身体を捉えることができ、最先端技術と比べて大きな改善を達成できる。
LVDはまた、人間と手の3次元モデル適合にも適用でき、よりシンプルで高速な方法でSOTAに大きな改善が示される。
論文 参考訳（メタデータ） (2022-05-12T17:55:51Z) - Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。
我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文 参考訳（メタデータ） (2021-10-11T17:24:52Z) - Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid
Representations [21.64457003420851]
我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。
本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
論文 参考訳（メタデータ） (2020-12-11T15:51:04Z) - Deep-3DAligner: Unsupervised 3D Point Set Registration Network With
Optimizable Latent Vector [15.900382629390297]
本稿では,3次元登録における技術的課題に対処するために,学習に最適化を統合する新しいモデルを提案する。
ディープトランスフォーメーションデコーディングネットワークに加えて、我々のフレームワークは最適化可能なディープアンダーラインSpatial UnderlineCorrelation UnderlineRepresentationを導入している。
論文 参考訳（メタデータ） (2020-09-29T22:44:38Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。