論文の概要: DeepMesh: Differentiable Iso-Surface Extraction
- arxiv url: http://arxiv.org/abs/2106.11795v1
- Date: Sun, 20 Jun 2021 20:12:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 14:56:30.105458
- Title: DeepMesh: Differentiable Iso-Surface Extraction
- Title（参考訳）: DeepMesh: 微分可能なアイソ面抽出
- Authors: Benoit Guillard, Edoardo Remelli, Artem Lukoianov, Stephan Richter,
Timur Bagautdinov, Pierre Baque and Pascal Fua
- Abstract要約: 本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
- 参考スコア（独自算出の注目度）: 53.77622255726208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geometric Deep Learning has recently made striking progress with the advent
of continuous Deep Implicit Fields. They allow for detailed modeling of
watertight surfaces of arbitrary topology while not relying on a 3D Euclidean
grid, resulting in a learnable parameterization that is unlimited in
resolution. Unfortunately, these methods are often unsuitable for applications
that require an explicit mesh-based surface representation because converting
an implicit field to such a representation relies on the Marching Cubes
algorithm, which cannot be differentiated with respect to the underlying
implicit field. In this work, we remove this limitation and introduce a
differentiable way to produce explicit surface mesh representations from Deep
Implicit Fields. Our key insight is that by reasoning on how implicit field
perturbations impact local surface geometry, one can ultimately differentiate
the 3D location of surface samples with respect to the underlying deep implicit
field. We exploit this to define DeepMesh -- end-to-end differentiable mesh
representation that can vary its topology. We use two different applications to
validate our theoretical insight: Single view 3D Reconstruction via
Differentiable Rendering and Physically-Driven Shape Optimization. In both
cases our end-to-end differentiable parameterization gives us an edge over
state-of-the-art algorithms.
- Abstract（参考訳）: Geometric Deep Learningは最近、継続的なDeep Implicit Fieldsの出現で大きな進歩を遂げた。
これにより、3次元ユークリッド格子に依存しない任意のトポロジーの水密な曲面の詳細なモデリングが可能となり、学習可能なパラメータ化が可能となり、解像度は無制限となる。
残念ながらこれらの手法は、暗黙の場をそのような表現に変換するため、暗黙の場に対して区別できないマーチングキューブアルゴリズムに依存するため、明示的なメッシュベースの表面表現を必要とするアプリケーションには適さないことが多い。
本研究では,この制限を除去し,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
私たちの重要な洞察は、暗黙的場の摂動が局所的な表面幾何にどのように影響するかを推論することで、基礎となる深い暗黙的場に関して最終的に表面サンプルの3d位置を区別できるということです。
これはdeepmesh -- トポロジーを変更可能なエンドツーエンドの差別化可能なメッシュ表現を定義するために利用します。
我々は2つの異なるアプリケーションを用いて理論的な洞察を検証している: 微分レンダリングによる単一ビュー3D再構成と物理的駆動形状最適化。
どちらの場合も、エンドツーエンドの微分可能なパラメータ化は最先端のアルゴリズムよりも優れている。
関連論文リスト
- 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) - Representing 3D Shapes with Probabilistic Directed Distance Fields [7.528141488548544]
暗黙的なアーキテクチャ内での高速な微分可能なレンダリングを可能にする新しい形状表現を開発する。
基礎分野における本質的な不連続性をモデル化する方法を示す。
また, 単一形状の3次元画像モデリング, 単一画像再構成作業にも適用した。
論文 参考訳（メタデータ） (2021-12-10T02:15:47Z) - Differentiable Surface Rendering via Non-Differentiable Sampling [19.606523934811577]
本稿では,明暗表現と暗示表現の両方をサポートする3次元曲面の微分可能レンダリング法を提案する。
ニューラルレイディアンス場(NeRF)から抽出したアイソの高速で微分可能なレンダリングを初めて示し, ボリュームベースではなく, 表面ベースでNeRFのレンダリングを実証した。
論文 参考訳（メタデータ） (2021-08-10T19:25:06Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-10T14:31:54Z) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - Depth Completion using Piecewise Planar Model [94.0808155168311]
深度マップは一連の学習された基底で表現することができ、閉じた解法で効率的に解ける。
しかし、この方法の1つの問題は、色境界が深さ境界と矛盾する場合にアーチファクトを生成することである。
私たちは、より厳密な深度回復モデルを実行します。
論文 参考訳（メタデータ） (2020-12-06T07:11:46Z) - MeshSDF: Differentiable Iso-Surface Extraction [45.769838982991736]
本稿では,Deep Signed Distance関数から表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
我々はこれを利用して、そのトポロジを変えることができるエンドツーエンドの差別化可能なメッシュ表現であるMeshSDFを定義します。
論文 参考訳（メタデータ） (2020-06-06T23:44:05Z)
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。