論文の概要: Sketch-based Normal Map Generation with Geometric Sampling
- arxiv url: http://arxiv.org/abs/2104.11554v1
- Date: Fri, 23 Apr 2021 12:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 16:21:10.496374
- Title: Sketch-based Normal Map Generation with Geometric Sampling
- Title(参考訳): 幾何サンプリングによるスケッチベース正規写像生成
- Authors: Yi He, Haoran Xie, Chao Zhang, Xi Yang, Kazunori Miyata
- Abstract要約: デザイナーは、3Dコンテンツ作成のフリーハンドスケッチから高品質で正確なノーマルマップの自動生成の恩恵を受けることができます。
本稿では,幾何学的サンプリングによるユーザスケッチから正規地図を生成するための深層生成モデルを提案する。
- 参考スコア(独自算出の注目度): 14.323902770651289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Normal map is an important and efficient way to represent complex 3D models.
A designer may benefit from the auto-generation of high quality and accurate
normal maps from freehand sketches in 3D content creation. This paper proposes
a deep generative model for generating normal maps from users sketch with
geometric sampling. Our generative model is based on Conditional Generative
Adversarial Network with the curvature-sensitive points sampling of conditional
masks. This sampling process can help eliminate the ambiguity of generation
results as network input. In addition, we adopted a U-Net structure
discriminator to help the generator be better trained. It is verified that the
proposed framework can generate more accurate normal maps.
- Abstract(参考訳): 正規写像は複雑な3dモデルを表現するための重要かつ効率的な方法である。
デザイナーは、3dコンテンツ作成のフリーハンドスケッチから高品質で正確な正規地図の自動生成の恩恵を受けるかもしれない。
本稿では,幾何学的サンプリングによるユーザスケッチから正規地図を生成するための深層生成モデルを提案する。
我々の生成モデルは条件付きマスクの曲率感応点サンプリングによる条件付き生成適応ネットワークに基づいている。
このサンプリングプロセスは、ネットワーク入力として生成結果のあいまいさを取り除くのに役立つ。
さらに, u-net構造判別器を用いて, ジェネレータの訓練を効率化した。
提案手法がより正確な正規写像を生成できることを確認した。
関連論文リスト
- VoroMesh: Learning Watertight Surface Meshes with Voronoi Diagrams [34.71121458068556]
ヴォロメシュ(VoroMesh)は、水密な3次元形状の新規で微分可能なボロノイの表現である。
発電機の位置を学習するために,VoroLossと呼ばれる新しい損失関数を提案する。
Thingi32データセット上のジェネレータを得るためにVorolossを直接最適化することは、我々の表現の幾何学的効率を示す。
論文 参考訳(メタデータ) (2023-08-28T14:35:58Z) - MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。
メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。
具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
論文 参考訳(メタデータ) (2023-03-14T17:59:01Z) - Using Intermediate Forward Iterates for Intermediate Generator
Optimization [14.987013151525368]
中間ジェネレータ最適化は、生成タスクのための任意の標準オートエンコーダパイプラインに組み込むことができる。
IGOの2つの密集予測タスク(viz.)、画像外挿、点雲デノイング(denoising)に対する応用を示す。
論文 参考訳(メタデータ) (2023-02-05T08:46:15Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth
Sampling [75.957103837167]
1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。
既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
論文 参考訳(メタデータ) (2022-08-14T16:37:51Z) - 3DILG: Irregular Latent Grids for 3D Generative Modeling [44.16807313707137]
ニューラルネットワークとして3次元形状を符号化するための新しい表現を提案する。
この表現はトランスアーキテクチャと互換性があり、形状再構成と形状生成の両方の利点があるように設計されている。
論文 参考訳(メタデータ) (2022-05-27T11:29:52Z) - Gaussian map predictions for 3D surface feature localisation and
counting [5.634825161148484]
本稿では,3次元表面特徴量と正確な位置を推定するためにガウス写像表現を用いることを提案する。
本手法を2次元形状表現に投影可能な物体の3次元球面クラスに適用する。
本手法を,果実品質指標として用いたイチゴアチェインの表現法として実用的に利用した。
論文 参考訳(メタデータ) (2021-12-07T14:43:14Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳(メタデータ) (2021-11-08T05:29:35Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳(メタデータ) (2020-12-26T08:02:56Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。