論文の概要: Mesh Draping: Parametrization-Free Neural Mesh Transfer

• arxiv url: http://arxiv.org/abs/2110.05433v1
• Date: Mon, 11 Oct 2021 17:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 17:14:33.501641
• Title: Mesh Draping: Parametrization-Free Neural Mesh Transfer
• Title（参考訳）: Mesh Draping: パラメトリゼーションフリーなニューラルメッシュ転送
• Authors: Amir Hertz, Or Perel, Raja Giryes, Olga Sorkine-Hornung and Daniel Cohen-Or
• Abstract要約: Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
• 参考スコア（独自算出の注目度）: 92.55503085245304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite recent advances in geometric modeling, 3D mesh modeling still involves a considerable amount of manual labor by experts. In this paper, we introduce Mesh Draping: a neural method for transferring existing mesh structure from one shape to another. The method drapes the source mesh over the target geometry and at the same time seeks to preserve the carefully designed characteristics of the source mesh. At its core, our method deforms the source mesh using progressive positional encoding. We show that by leveraging gradually increasing frequencies to guide the neural optimization, we are able to achieve stable and high quality mesh transfer. Our approach is simple and requires little user guidance, compared to contemporary surface mapping techniques which rely on parametrization or careful manual tuning. Most importantly, Mesh Draping is a parameterization-free method, and thus applicable to a variety of target shape representations, including point clouds, polygon soups, and non-manifold meshes. We demonstrate that the transferred meshing remains faithful to the source mesh design characteristics, and at the same time fits the target geometry well.
• Abstract（参考訳）: 近年の幾何学的モデリングの進歩にもかかわらず、3Dメッシュモデリングには専門家によるかなりの手作業が伴う。 本稿では,既存のメッシュ構造をある形状から別の形状に伝達するニューラルネットワークであるメッシュドレイピングを紹介する。 提案手法は, ソースメッシュをターゲット形状上に滴下し, 同時に, ソースメッシュの特徴を慎重に設計したまま保存する。 本手法の中核は,プログレッシブな位置符号化を用いたソースメッシュの変形である。 徐々に増加する周波数を利用してニューラル最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。 私たちのアプローチはシンプルで、パラメトリゼーションや注意深い手動チューニングに依存する現代の表面マッピング技術と比較して、ユーザガイダンスをほとんど必要としません。 最も重要なのは、メッシュドローピングはパラメータ化フリーな方法であり、ポイントクラウド、ポリゴンスープ、非マニフォールドメッシュなど、さまざまなターゲット形状表現に適用できる。 転送されたメッシュは、ソースメッシュの設計特性に忠実であり、同時にターゲットジオメトリにも適していることを実証する。

関連論文リスト

• SieveNet: Selecting Point-Based Features for Mesh Networks [41.74190660234404]
  メッシュは3Dコンピュータビジョンとグラフィックスで広く使用されているが、その不規則なトポロジは、既存のニューラルネットワークアーキテクチャに適用する際の課題を提起している。 メッシュニューラルネットワークの最近の進歩は、生メッシュを入力としてのみ取り込むパイオニアメソッドの境界を押し付けている。 本稿では、正規位相と正確な幾何学の両方を考慮した新しいパラダイムであるSieveNetを提案する。
  論文  参考訳（メタデータ） (2023-08-24T03:40:16Z)
• Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T02:51:38Z)
• 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)
• 3D Pose Transfer with Correspondence Learning and Mesh Refinement [41.92922228475176]
  3Dポーズ転送は、最も困難な3D生成タスクの1つである。 本研究では,人間と動物のメッシュの3次元ポーズ伝達を支援するための通信抑制ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-09-30T11:49:03Z)
• Progressive Encoding for Neural Optimization [92.55503085245304]
  メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。 最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
  論文  参考訳（メタデータ） (2021-04-19T08:22:55Z)
• 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 Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows [79.39092757515395]
  ニューラルメッシュフロー (NMF) を用いて, 種数0の2次元メッシュを生成する。 NMFは数個のニューラル正規微分方程式(NODE)ブロックからなる形状自動エンコーダで、球面メッシュを段階的に変形させることで正確なメッシュ形状を学習する。 実験の結果,NMFは単一視点メッシュ再構成,大域的な形状パラメータ化,テクスチャマッピング,形状変形,対応性など,いくつかの応用に役立つことがわかった。
  論文  参考訳（メタデータ） (2020-07-21T17:45:41Z)
• 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。