論文の概要: Neural Marching Cubes
- arxiv url: http://arxiv.org/abs/2106.11272v1
- Date: Mon, 21 Jun 2021 17:18:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:40:27.759054
- Title: Neural Marching Cubes
- Title(参考訳): 神経マーチングキューブ
- Authors: Zhiqin Chen, Hao Zhang
- Abstract要約: 我々は、離散化された暗黙の場から三角形メッシュを抽出するデータ駆動型アプローチであるNeural Marching Cubes (NMC)を紹介する。
我々のネットワークは、限られたフィールドで局所的な特徴を学習し、新しい形状や新しいデータセットによく適応することを示す。
- 参考スコア(独自算出の注目度): 14.314650721573743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Neural Marching Cubes (NMC), a data-driven approach for
extracting a triangle mesh from a discretized implicit field. Classical MC is
defined by coarse tessellation templates isolated to individual cubes. While
more refined tessellations have been proposed, they all make heuristic
assumptions, such as trilinearity, when determining the vertex positions and
local mesh topologies in each cube. In principle, none of these approaches can
reconstruct geometric features that reveal coherence or dependencies between
nearby cubes (e.g., a sharp edge), as such information is unaccounted for,
resulting in poor estimates of the true underlying implicit field. To tackle
these challenges, we re-cast MC from a deep learning perspective, by designing
tessellation templates more apt at preserving geometric features, and learning
the vertex positions and mesh topologies from training meshes, to account for
contextual information from nearby cubes. We develop a compact per-cube
parameterization to represent the output triangle mesh, while being compatible
with neural processing, so that a simple 3D convolutional network can be
employed for the training. We show that all topological cases in each cube that
are applicable to our design can be easily derived using our representation,
and the resulting tessellations can also be obtained naturally and efficiently
by following a few design guidelines. In addition, our network learns local
features with limited receptive fields, hence it generalizes well to new shapes
and new datasets. We evaluate our neural MC approach by quantitative and
qualitative comparisons to all well-known MC variants. In particular, we
demonstrate the ability of our network to recover sharp features such as edges
and corners, a long-standing issue of MC and its variants. Our network also
reconstructs local mesh topologies more accurately than previous approaches.
- Abstract(参考訳): 我々は、離散化された暗黙の場から三角形メッシュを抽出するデータ駆動型アプローチであるNeural Marching Cubes (NMC)を紹介する。
古典的mcは、個々の立方体に分離された粗いテッセレーションテンプレートによって定義される。
より洗練されたテッセルレーションが提案されているが、それぞれの立方体における頂点位置と局所メッシュ位相を決定する際には、トリリニアリティのようなヒューリスティックな仮定を行う。
原則として、これらのアプローチでは、近くの立方体(例えばシャープエッジ)間の一貫性や依存関係を明らかにする幾何学的特徴を再構築することはできない。
これらの課題に対処するために、我々は、幾何学的特徴の保存に適したテッセルレーションテンプレートを設計し、頂点位置とメッシュトポロジをトレーニングメッシュから学習し、近くの立方体からのコンテキスト情報を考慮し、ディープラーニングの観点からMCを再キャストする。
ニューラルネットワークと互換性のある出力トライアングルメッシュを表現するために,簡単な3次元畳み込みネットワークをトレーニングに利用できるコンパクトなキューブパラメタライゼーションを開発した。
設計に適合する各立方体におけるすべての位相的ケースは, 表現を用いて容易に抽出できることを示し, 結果のテッセルレーションは, いくつかの設計ガイドラインに従うことで, 自然かつ効率的に得られることを示す。
さらに,ネットワークは受容領域が限定された局所的な特徴を学習し,新しい形状や新しいデータセットを一般化する。
定量的および定性的な比較により, 神経MCアプローチの評価を行った。
特に,我々のネットワークがエッジやコーナーなどの鋭い特徴を回復できることを実証する。
ネットワークはまた、従来のアプローチよりも正確なローカルメッシュトポロジを再構築する。
関連論文リスト
- Zero-Level-Set Encoder for Neural Distance Fields [10.269224726391807]
本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。
ネットワークはアイコン方程式を解くために訓練されており、訓練と推論のためにゼロレベル集合の知識しか必要としない。
論文 参考訳(メタデータ) (2023-10-10T14:07:37Z) - From Complexity to Clarity: Analytical Expressions of Deep Neural
Network Weights via Clifford's Geometric Algebra and Convexity [54.01594785269913]
我々は,標準正規化損失のトレーニングにおいて,深部ReLUニューラルネットワークの最適重みがトレーニングサンプルのウェッジ積によって与えられることを示した。
トレーニング問題は、トレーニングデータセットの幾何学的構造をエンコードするウェッジ製品機能よりも凸最適化に還元される。
論文 参考訳(メタデータ) (2023-09-28T15:19:30Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳(メタデータ) (2022-10-05T16:52:25Z) - Neural Convolutional Surfaces [59.172308741945336]
この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。
このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
論文 参考訳(メタデータ) (2022-04-05T15:40:11Z) - Differential Geometry in Neural Implicits [0.6198237241838558]
トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。
ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
論文 参考訳(メタデータ) (2022-01-23T13:40:45Z) - CAPRI-Net: Learning Compact CAD Shapes with Adaptive Primitive Assembly [17.82598676258891]
3Dコンピュータ支援設計(CAD)モデルのコンパクトで解釈可能な暗黙表現を学習するためのニューラルネットワークCAPRI-Netを紹介します。
当社のネットワークは、ポイントクラウドまたはボキセルグリッドとして提供できる入力3D形状を取り、四面プリミティブのコンパクトなアセンブリによってそれを再構築します。
本研究では,これまでで最大かつ多種多様なCADデータセットであるShapeNetとABCの学習フレームワークを,再構築品質,形状エッジ,コンパクト性,解釈可能性の観点から評価した。
論文 参考訳(メタデータ) (2021-04-12T17:21:19Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳(メタデータ) (2020-11-03T02:57:01Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - 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。