論文の概要: LSD-StructureNet: Modeling Levels of Structural Detail in 3D Part Hierarchies

• arxiv url: http://arxiv.org/abs/2108.13459v1
• Date: Wed, 18 Aug 2021 15:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-05 08:53:03.016580
• Title: LSD-StructureNet: Modeling Levels of Structural Detail in 3D Part Hierarchies
• Title（参考訳）: LSD-StructureNet:3次元階層における構造詳細のモデリング
• Authors: Dominic Roberts, Ara Danielyan, Hang Chu, Mani Golparvar-Fard, David Forsyth
• Abstract要約: 部品の再生を可能にするStructureNetアーキテクチャの拡張であるLSD-StructureNetを紹介する。 部品階層で表される3次元形状の最大データセットであるPartNetデータセット上でLSD-StructureNetを評価する。
• 参考スコア（独自算出の注目度）: 5.173975064973631
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative models for 3D shapes represented by hierarchies of parts can generate realistic and diverse sets of outputs. However, existing models suffer from the key practical limitation of modelling shapes holistically and thus cannot perform conditional sampling, i.e. they are not able to generate variants on individual parts of generated shapes without modifying the rest of the shape. This is limiting for applications such as 3D CAD design that involve adjusting created shapes at multiple levels of detail. To address this, we introduce LSD-StructureNet, an augmentation to the StructureNet architecture that enables re-generation of parts situated at arbitrary positions in the hierarchies of its outputs. We achieve this by learning individual, probabilistic conditional decoders for each hierarchy depth. We evaluate LSD-StructureNet on the PartNet dataset, the largest dataset of 3D shapes represented by hierarchies of parts. Our results show that contrarily to existing methods, LSD-StructureNet can perform conditional sampling without impacting inference speed or the realism and diversity of its outputs.
• Abstract（参考訳）: 部品の階層によって表現される3次元形状の生成モデルは、リアルで多様な出力集合を生成することができる。 しかしながら、既存のモデルでは、階層的にモデリング形状の実用的限界に苦しむため、条件付きサンプリングは実行できない。 生成した形状の個々の部分に 変種を生成できない 残りの形を変えることなく これは、複数の詳細レベルで生成した形状を調整する3DCAD設計のようなアプリケーションに限られている。 そこで,我々はlsd-structurenetを紹介する。lsd-structurenetは,出力階層内の任意の位置に位置する部品の再生成を可能にするstructurenetアーキテクチャの拡張である。 各階層深度に対する個別確率的条件デコーダを学習することでこれを実現できる。 部品階層で表される3次元形状の最大データセットであるPartNetデータセット上でLSD-StructureNetを評価する。 その結果,既存の手法であるlsd-structurenetは,推論速度や出力のリアリズムや多様性に影響を与えずに条件付きサンプリングを行うことができることがわかった。

関連論文リスト

• Parameterize Structure with Differentiable Template for 3D Shape Generation [39.414253821696846]
  最近の3次元形状生成には複雑なネットワークと構造定義が使用されている。 本稿では,同じカテゴリの共有構造を微分可能なテンプレートを用いてパラメータ化する手法を提案する。 本手法は,複雑な細部で多種多様な形状を再構築あるいは生成し,円滑に補間することができる。
  論文  参考訳（メタデータ） (2024-10-14T11:43:02Z)
• A Latent Implicit 3D Shape Model for Multiple Levels of Detail [95.56814217356667]
  入射神経表現は、形状固有の潜伏符号と3D座標を対応する符号距離(SDF)の値にマッピングする。 このアプローチは、単一のレベルの詳細しか提供しません。 そこで我々は,複数の詳細レベルを実現し,各レベルで滑らかな表面を保証できる新しい形状モデリング手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T05:57:58Z)
• StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
  本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。 ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
  論文  参考訳（メタデータ） (2023-11-29T10:35:00Z)
• DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
  本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。 ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
  論文  参考訳（メタデータ） (2023-11-22T03:26:07Z)
• 3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
  単一の2D画像から3D形状を再構築することは難しい作業だ。 従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。 本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-29T02:03:31Z)
• RISA-Net: Rotation-Invariant Structure-Aware Network for Fine-Grained 3D Shape Retrieval [46.02391761751015]
  きめ細かい3D形状の検索は、同じクラスに属するモデルを持つレポジトリのクエリ形状に似た3D形状の検索を目的としている。 回転不変な3次元形状記述子を学習する新しいディープアーキテクチャ RISA-Net を提案する。 本手法は,3次元形状の最終コンパクト潜時特徴を生成する際に,各部分の幾何学的・構造的情報の重要性を学習することができる。
  論文  参考訳（メタデータ） (2020-10-02T13:06:12Z)
• ShapeAssembly: Learning to Generate Programs for 3D Shape Structure Synthesis [38.27280837835169]
  本研究では,3次元形状構造のためのドメイン固有の「アセンブリ言語」であるShapeAssemblyを提案する。 PartNetデータセットの既存の形状構造からShapeAssemblyプログラムを抽出する方法を示す。 生成したプログラムから出力される形状を、他の最近の形状構造モデルと比較することにより、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2020-09-17T02:26:45Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。