論文の概要: 3D Shapes Local Geometry Codes Learning with SDF

• arxiv url: http://arxiv.org/abs/2108.08593v1
• Date: Thu, 19 Aug 2021 09:56:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:31:27.320500
• Title: 3D Shapes Local Geometry Codes Learning with SDF
• Title（参考訳）: SDFによる局所幾何符号の3次元形状学習
• Authors: Shun Yao, Fei Yang, Yongmei Cheng, Mikhail G. Mozerov
• Abstract要約: 3次元形状記述としての符号付き距離関数(SDF)は、描画と再構成のための3次元幾何学を表現する最も効果的な手法の1つである。 本稿では,DeepSDFモデルのキャパシティ低下から生じる復元の劣化問題について考察する。 本稿では,局所形状から学習することで,元のDeepSDF結果を改善するモデルであるローカル幾何符号学習(LGCL)を提案する。
• 参考スコア（独自算出の注目度）: 8.37542758486152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A signed distance function (SDF) as the 3D shape description is one of the most effective approaches to represent 3D geometry for rendering and reconstruction. Our work is inspired by the state-of-the-art method DeepSDF that learns and analyzes the 3D shape as the iso-surface of its shell and this method has shown promising results especially in the 3D shape reconstruction and compression domain. In this paper, we consider the degeneration problem of reconstruction coming from the capacity decrease of the DeepSDF model, which approximates the SDF with a neural network and a single latent code. We propose Local Geometry Code Learning (LGCL), a model that improves the original DeepSDF results by learning from a local shape geometry of the full 3D shape. We add an extra graph neural network to split the single transmittable latent code into a set of local latent codes distributed on the 3D shape. Mentioned latent codes are used to approximate the SDF in their local regions, which will alleviate the complexity of the approximation compared to the original DeepSDF. Furthermore, we introduce a new geometric loss function to facilitate the training of these local latent codes. Note that other local shape adjusting methods use the 3D voxel representation, which in turn is a problem highly difficult to solve or even is insolvable. In contrast, our architecture is based on graph processing implicitly and performs the learning regression process directly in the latent code space, thus make the proposed architecture more flexible and also simple for realization. Our experiments on 3D shape reconstruction demonstrate that our LGCL method can keep more details with a significantly smaller size of the SDF decoder and outperforms considerably the original DeepSDF method under the most important quantitative metrics.
• Abstract（参考訳）: 3次元形状記述としての符号付き距離関数(SDF)は、描画と再構成のための3次元幾何学を表現する最も効果的な手法の1つである。 本研究は,3次元形状をシェルのiso面として学習し解析するdeepsdf法に触発され,特に3次元形状再構成および圧縮領域において有望な結果が得られた。 本稿では,SDFをニューラルネットワークと1つの潜伏符号で近似したDeepSDFモデルの容量減少から生じる再構成の劣化問題について考察する。 本研究では,3次元形状の局所形状から学習することで,元のDeepSDF結果を改善するモデルであるローカル幾何符号学習(LGCL)を提案する。 単一送信可能な潜伏符号を3次元形状に分散した局所潜伏符号の集合に分割するために、余分なグラフニューラルネットワークを追加する。 命令付き潜伏符号は、ローカル領域のSDFを近似するために使用され、元のDeepSDFと比較して近似の複雑さが軽減される。 さらに,これらの局所潜在コードの訓練を容易にする新たな幾何損失関数を導入する。 他の局所形状調整法では3Dボクセル表現を用いるが、これは解決が極めて難しい問題であり、また解けない問題でもある。 対照的に、我々のアーキテクチャはグラフ処理を暗黙的にベースとしており、潜在コード空間で直接学習回帰プロセスを実行するため、提案したアーキテクチャをより柔軟で、実現も簡単である。 3次元形状再構成実験により,lgcl法はsdfデコーダのかなり小さいサイズでより詳細を保ち,最も重要な定量的指標の下ではdeepsdf法をかなり上回ることを証明した。

関連論文リスト

• Few-Shot Unsupervised Implicit Neural Shape Representation Learning with Spatial Adversaries [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 3次元形状表現の領域内では、ニューラルネットワーク符号距離関数(SDF)は複雑な形状幾何を忠実に符号化する顕著な可能性を示している。
  論文  参考訳（メタデータ） (2024-08-27T14:54:33Z)
• gSDF: Geometry-Driven Signed Distance Functions for 3D Hand-Object Reconstruction [94.46581592405066]
  我々は手の構造を利用してSDFによる形状復元の指導を行う。 我々は、ポーズ変換のキネマティック連鎖を予測し、SDFを高調波ハンドポーズと整列させる。
  論文  参考訳（メタデータ） (2023-04-24T10:05:48Z)
• FineRecon: Depth-aware Feed-forward Network for Detailed 3D Reconstruction [13.157400338544177]
  ポーズ画像からの3次元再構成に関する最近の研究は、深層ニューラルネットワークを用いてシーンレベルの3次元幾何を直接推定できることを実証している。 推論に基づく3次元再構成の忠実度を改善するための有効な3つの方法を提案する。 提案手法はスムーズかつ高精度な再構成を行い,多深度および3次元再構成の指標において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-04-04T02:50:29Z)
• Self-Supervised Geometry-Aware Encoder for Style-Based 3D GAN Inversion [115.82306502822412]
  StyleGANは、画像インバージョンと潜時編集による2次元顔再構成とセマンティック編集において大きな進歩を遂げている。 対応する汎用的な3D GANインバージョンフレームワークがまだ欠けており、3D顔再構成とセマンティック編集の応用が制限されている。 本研究では,その3次元形状と詳細なテクスチャを忠実に復元するために,単一の顔画像から潜伏コードを予測する3D GAN逆変換の課題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T18:49:50Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• FIRe: Fast Inverse Rendering using Directional and Signed Distance Functions [97.5540646069663]
  指向性距離関数(DDF)と呼ばれる新しいニューラルシーン表現を導入する。 DDFは単位球上で定義され、任意の方向に沿って表面までの距離を予測する。 提案手法はDDFに基づいて,提案した深度マップから3次元形状を再構成する高速アルゴリズム (FIRe) を提案する。
  論文  参考訳（メタデータ） (2022-03-30T13:24:04Z)
• High-fidelity 3D Model Compression based on Key Spheres [6.59007277780362]
  明示的な鍵球を入力として用いたSDF予測ネットワークを提案する。 提案手法は,高忠実かつ高圧縮な3次元オブジェクトの符号化と再構成を実現する。
  論文  参考訳（メタデータ） (2022-01-19T09:21:54Z)
• 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)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)
• A Simple and Scalable Shape Representation for 3D Reconstruction [22.826897662839357]
  表面の符号付き距離関数(SDF)の主成分分析から得られた線形デコーダを用いて高品質な3次元再構成が得られることを示す。 このアプローチにより、より大規模な解像度へのスケーリングが容易になる。
  論文  参考訳（メタデータ） (2020-05-10T10:22:50Z)
• Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction [19.003819911951297]
  本稿では,メモリの制限なしに高品質な3次元形状の符号化と再構成が可能な深部形状表現であるDeep Local Shapes (DeepLS)を紹介する。 ニューラルネットワークと1つの潜伏符号を持つオブジェクトレベルのSDFを表すDeepSDFとは異なり、我々は独立した潜伏符号のグリッドを格納し、それぞれが小さな局所的に表面に関する情報を格納する。 このシーンを局所的な形状に分解することで、ネットワークが学習しなければならない事前分布を単純化し、効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-03-24T17:21:50Z)

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。