論文の概要: Identity-Disentangled Neural Deformation Model for Dynamic Meshes

• arxiv url: http://arxiv.org/abs/2109.15299v1
• Date: Thu, 30 Sep 2021 17:43:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:49:40.265051
• Title: Identity-Disentangled Neural Deformation Model for Dynamic Meshes
• Title（参考訳）: 動的メッシュに対する同一距離ニューラル変形モデル
• Authors: Binbin Xu, Lingni Ma, Yuting Ye, Tanner Schmidt, Christopher D. Twigg, Steven Lovegrove
• Abstract要約: 我々は、暗黙の神経機能を用いたポーズ依存的な変形から、同一性によって引き起こされる形状変化を歪曲する神経変形モデルを学ぶ。 本稿では,大域的ポーズアライメントとニューラル変形モデルを統合する2つの手法を提案する。 また, 固定テンプレートの制約を伴わずにヤシの印刷や腱などの表面の細部を再構築する際に, 従来の骨格駆動モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 8.826835863410109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural shape models can represent complex 3D shapes with a compact latent space. When applied to dynamically deforming shapes such as the human hands, however, they would need to preserve temporal coherence of the deformation as well as the intrinsic identity of the subject. These properties are difficult to regularize with manually designed loss functions. In this paper, we learn a neural deformation model that disentangles the identity-induced shape variations from pose-dependent deformations using implicit neural functions. We perform template-free unsupervised learning on 3D scans without explicit mesh correspondence or semantic correspondences of shapes across subjects. We can then apply the learned model to reconstruct partial dynamic 4D scans of novel subjects performing unseen actions. We propose two methods to integrate global pose alignment with our neural deformation model. Experiments demonstrate the efficacy of our method in the disentanglement of identities and pose. Our method also outperforms traditional skeleton-driven models in reconstructing surface details such as palm prints or tendons without limitations from a fixed template.
• Abstract（参考訳）: ニューラル形状モデルは、コンパクトな潜在空間を持つ複雑な3次元形状を表現することができる。 しかし、人間の手のような動的に変形する形状に適用する場合は、変形の時間的コヒーレンスと本質的な同一性を保持する必要がある。 これらの特性は手動で設計した損失関数では正規化が難しい。 本稿では,暗黙的ニューラル関数を用いたポーズ依存的変形から同一性による形状変化をアンタングルするニューラル変形モデルを学習する。 対象物間のメッシュ対応や意味対応のない3Dスキャンでテンプレートなしの教師なし学習を行う。 そして、学習モデルを用いて、未知の動作を行う新規被験者の部分的動的4Dスキャンを再構築する。 神経変形モデルとグローバルポーズアライメントを統合する2つの方法を提案する。 身元とポーズのゆがみに対する本手法の有効性を示す実験を行った。 また,固定されたテンプレートから制約なく,手のひら印字や腱などの表面詳細を再構成する手法は,従来のスケルトン駆動モデルよりも優れている。

関連論文リスト

• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Self-supervised Learning of Implicit Shape Representation with Dense Correspondence for Deformable Objects [26.102490905989338]
  変形可能な物体に対する暗黙的形状表現を学習するための,新しい自己教師型アプローチを提案する。 本手法は, 骨格と皮膚の重量の先行を必要とせず, 符号付き距離場で表現される形状の収集のみを必要とする。 我々のモデルは大きな変形を伴う形状を表現することができ、テクスチャ転送や形状編集といった2つの典型的な応用をサポートすることができる。
  論文  参考訳（メタデータ） (2023-08-24T06:38:33Z)
• Dynamic Point Fields [30.029872787758705]
  本稿では,明示的な点ベースグラフィックスの表現的利点と暗黙的な変形ネットワークを組み合わせた動的点場モデルを提案する。 我々は,その表現力,学習効率,および配布外小説のポーズに対する堅牢性の観点から,我々の動的点場フレームワークの利点を示す。
  論文  参考訳（メタデータ） (2023-04-05T17:52:37Z)
• CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic Surface Representation via Neural Homeomorphism [46.234728261236015]
  形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。 我々の新しい変形表現とその実装は単純で効率的であり、サイクルの整合性を保証する。 幅広い変形可能なオブジェクトをモデル化する際の最先端性能を実証する。
  論文  参考訳（メタデータ） (2022-03-30T17:59:23Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• SPAMs: Structured Implicit Parametric Models [30.19414242608965]
  本研究では,非剛体物体の動きを形状とポーズの部分的不整合表現に構造的に分解する変形可能なオブジェクト表現として,構造化単純パラメトリックモデル(SPAM)を学習する。 複雑な変形物体の動きの深度配列の復元と追跡において、我々の部分認識形状とポーズ理解が最先端のパフォーマンスに繋がることを示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-20T12:33:46Z)
• Detailed Avatar Recovery from Single Image [50.82102098057822]
  本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。 階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。 本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
  論文  参考訳（メタデータ） (2021-08-06T03:51:26Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)
• 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)

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。