論文の概要: NURBS-Diff: A Differentiable NURBS Layer for Machine Learning CAD Applications

• arxiv url: http://arxiv.org/abs/2104.14547v1
• Date: Thu, 29 Apr 2021 17:56:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 13:08:41.278862
• Title: NURBS-Diff: A Differentiable NURBS Layer for Machine Learning CAD Applications
• Title（参考訳）: NURBS-Diff:機械学習CADアプリケーションのための微分可能なNURBSレイヤ
• Authors: Anjana Deva Prasad, Aditya Balu, Harshil Shah, Soumik Sarkar, Adarsh Krishnamurthy
• Abstract要約: NURBS(Non-Uniform Rational B-splines)はCAD業界におけるデファクトスタンダードである。 NURBSパラメータの集合を与えられた曲線や曲面を評価するための微分可能なNURBS層を提案する。 私たちの実装はGPUアクセラレーションで、人気のあるディープラーニングフレームワークであるPyTorchと直接統合されています。
• 参考スコア（独自算出の注目度）: 12.059553412835946
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent deep-learning-based techniques for the reconstruction of geometries from different input representations such as images and point clouds have been instrumental in advancing research in geometric machine learning. Most of these techniques rely on a triangular mesh representation for representing the geometry, with very recent attempts in using B-splines. While Non-Uniform Rational B-splines (NURBS) are the de facto standard in the CAD industry, minimal efforts have been made to bridge the gap between deep-learning frameworks and the NURBS representation for geometry. The backbone of modern deep learning techniques is the use of a fully automatic differentiable definition for each mathematical operation to enable backpropagation of losses while training. In order to integrate the NURBS representation of CAD models with deep learning methods, we propose a differentiable NURBS layer for evaluating the curve or surface given a set of NURBS parameters. We have developed a NURBS layer defining the forward and backward pass required for automatic differentiation. Our implementation is GPU accelerated and is directly integrated with PyTorch, a popular deep learning framework. We demonstrate the efficacy of our NURBS layer by automatically incorporating it with the stochastic gradient descent algorithm and performing CAD operations such as curve or surface fitting and surface offsetting. Further, we show its utility in deep learning applications such as point cloud reconstruction and structural modeling and analysis of shell structures such as heart valves. These examples show that our layer has better performance for certain deep learning frameworks and can be directly integrated with any CAD deep-learning framework that require the use of NURBS.
• Abstract（参考訳）: 近年,画像や点雲などの入力表現からジオメトリを再構築する深層学習技術が,幾何学的機械学習の研究の進展に役立っている。 これらの技術のほとんどは、幾何学を表現するために三角形メッシュ表現に依存しており、近年ではBスプラインの使用が試みられている。 非統一論理的B-スプライン(NURBS)はCAD業界のデファクトスタンダードであるが、ディープラーニングフレームワークと幾何学のNURBS表現とのギャップを埋めるための最小限の努力がなされている。 現代のディープラーニング技術のバックボーンは、トレーニング中の損失のバックプロパゲーションを可能にするために、数学演算ごとに完全に自動微分可能な定義を使用することである。 本研究では,CADモデルのNURBS表現を深層学習法と統合するために,一組のNURBSパラメータを与えられた曲線や曲面を評価するための微分可能なNURBS層を提案する。 我々は,自動微分に必要な前方パスと後方パスを定義するNURBS層を開発した。 我々の実装はGPUアクセラレーションであり、人気のあるディープラーニングフレームワークであるPyTorchと直接統合されています。 本稿では,このアルゴリズムを確率勾配降下アルゴリズムに自動的に組み込んで,曲線や表面嵌合,表面オフセットなどのCAD操作を行うことで,NURBS層の有効性を示す。 さらに,点雲再構成や心臓弁などのシェル構造の構造モデリング,解析などの深層学習応用において,その有用性を示す。 これらの例は、私たちのレイヤが特定のディープラーニングフレームワークに対してより良いパフォーマンスを示し、NURBSを必要とするCADディープラーニングフレームワークと直接統合可能であることを示している。

関連論文リスト

• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Unsupervised Multimodal Surface Registration with Geometric Deep Learning [3.3403308469369577]
  GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。 よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。 このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-21T22:05:00Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Robust Visual Odometry Using Position-Aware Flow and Geometric Bundle Adjustment [16.04240592057438]
  まず,位置認識機構上に構築された新しい光フローネットワーク(PANet)を提案する。 そこで本研究では,エゴモーション学習のための典型的なネットワークを使わずに,深度,光学的流れ,エゴモーションを共同で推定するシステムを提案する。 実験により,提案システムは深度,流れ,VO推定の点で,他の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T12:05:27Z)
• A Convolutional Neural Network Approach to the Classification of Engineering Models [0.9558392439655015]
  本稿では,畳み込みニューラルネットワーク(CNN)を用いたCADモデルの深層学習手法を提案する。 ResNetにインスパイアされたCADNETの残余ネットワークアーキテクチャを使うことが提案されている。 提案したネットワークアーキテクチャを用いたLFDベースのCNNアプローチと勾配向上によりCADNET上での最良の分類精度が得られた。
  論文  参考訳（メタデータ） (2021-07-14T04:33:50Z)
• KShapeNet: Riemannian network on Kendall shape space for Skeleton based Action Recognition [7.183483982542308]
  骨格に基づく行動認識のための幾何学的深層学習手法を提案する。 骨格はまずケンドールの形状空間上の軌跡としてモデル化され、次に線型接空間に写像される。 結果として得られた構造化データは、剛性および非剛性変換を最適化するレイヤを含むディープラーニングアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2020-11-24T10:14:07Z)
• SkeletonNet: A Topology-Preserving Solution for Learning Mesh Reconstruction of Object Surfaces from RGB Images [85.66560542483286]
  本稿では,RGB画像から3次元物体表面再構成を学習する上での課題に焦点を当てる。 我々は,SkeGCNNとSkeDISNの2つのモデルを提案する。 提案するSkeletonNetの有効性を検証するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2020-08-13T07:59:25Z)
• 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。