論文の概要: Toward Automatic Interpretation of 3D Plots
- arxiv url: http://arxiv.org/abs/2106.07627v1
- Date: Mon, 14 Jun 2021 17:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 15:55:33.186487
- Title: Toward Automatic Interpretation of 3D Plots
- Title（参考訳）: 3次元プロットの自動解釈に向けて
- Authors: Laura E. Brandt and William T. Freeman
- Abstract要約: 本稿では,2変数関数の3次元曲面プロットにおけるデータ表現に用いる格子マーク付き表面のリバースエンジニアリングを機械に教えることの課題について検討する。
我々は、新しい3Dグリッドマーク曲面(SurfaceGrid)のデータセットを合成し、その形状を推定するためにディープニューラルネットワークを訓練する。
提案アルゴリズムは,軸とシェーディング情報を取り除いた合成3次元表面プロットから形状情報を復元し,様々なグリッドタイプでレンダリングし,様々な視点から観察する。
- 参考スコア（独自算出の注目度）: 33.64007355018136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper explores the challenge of teaching a machine how to
reverse-engineer the grid-marked surfaces used to represent data in 3D surface
plots of two-variable functions. These are common in scientific and economic
publications; and humans can often interpret them with ease, quickly gleaning
general shape and curvature information from the simple collection of curves.
While machines have no such visual intuition, they do have the potential to
accurately extract the more detailed quantitative data that guided the
surface's construction. We approach this problem by synthesizing a new dataset
of 3D grid-marked surfaces (SurfaceGrid) and training a deep neural net to
estimate their shape. Our algorithm successfully recovers shape information
from synthetic 3D surface plots that have had axes and shading information
removed, been rendered with a variety of grid types, and viewed from a range of
viewpoints.
- Abstract（参考訳）: 本稿では,2変数関数の3次元曲面プロットにおけるデータ表現に用いる格子マーク付き表面のリバースエンジニアリングを機械に教えることの課題について検討する。
これらは科学や経済の出版物では一般的であり、曲線の単純な収集から、人間はそれらを容易かつ迅速に一般的な形や曲がりくねった情報を引き出すことができる。
機械にはそのような視覚的な直感はないが、表面の構造を導いたより詳細な定量的データを正確に抽出する能力がある。
我々は,3次元グリッドマーク付き表面の新たなデータセット(SurfaceGrid)を合成し,その形状を推定するために深層ニューラルネットワークを訓練することにより,この問題に対処する。
本アルゴリズムは,軸とシェーディング情報を除去した合成3次元表面プロットから形状情報を復元し,様々なグリッドタイプで描画し,様々な視点から見ることに成功した。
関連論文リスト
- Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。
一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文 参考訳（メタデータ） (2024-06-17T07:43:53Z) - 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) - 3D Geometry-aware Deformable Gaussian Splatting for Dynamic View Synthesis [49.352765055181436]
動的ビュー合成のための3次元幾何学的変形可能なガウススメッティング法を提案する。
提案手法は,動的ビュー合成と3次元動的再構成を改良した3次元形状認識変形モデリングを実現する。
論文 参考訳（メタデータ） (2024-04-09T12:47:30Z) - SepicNet: Sharp Edges Recovery by Parametric Inference of Curves in 3D
Shapes [16.355677959323426]
本稿では,3次元形状の鋭いエッジを原始曲線として検出・パラメータ化するための新しいディープネットワークであるSepicNetを紹介する。
我々は,一様サンプリングよりも鋭い特徴を捕集する適応点雲サンプリング手法を開発した。
論文 参考訳（メタデータ） (2023-04-13T13:37:21Z) - Normal Transformer: Extracting Surface Geometry from LiDAR Points
Enhanced by Visual Semantics [6.516912796655748]
本稿では,3次元点雲と2次元カラー画像から正規分布を推定する手法を提案する。
我々は,視覚的セマンティクスと3次元幾何データのハイブリッド情報を活用することを学ぶトランスフォーマーニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2022-11-19T03:55:09Z) - Learning Neural Implicit Representations with Surface Signal
Parameterizations [14.835882967340968]
本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。
私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
論文 参考訳（メタデータ） (2022-11-01T15:10:58Z) - SurfGen: Adversarial 3D Shape Synthesis with Explicit Surface
Discriminators [5.575197901329888]
本研究では,物体表面に直接対向学習を行う3次元形状合成フレームワーク(SurfGen)を提案する。
提案手法では, 球面上に定義された関数として, 暗黙的な3次元ジェネレータの自明な零等方面を捕捉し, 表現するために, 微分可能な球面射影層を用いる。
大規模形状データセットを用いて本モデルの評価を行い,多種多様なトポロジを持つ高忠実度3次元形状を創出できることを実証した。
論文 参考訳（メタデータ） (2022-01-01T04:44:42Z) - 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) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳（メタデータ） (2020-08-18T06:33:40Z) - 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。