論文の概要: Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis

• arxiv url: http://arxiv.org/abs/2111.04276v1
• Date: Mon, 8 Nov 2021 05:29:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 14:59:05.014100
• Title: Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis
• Title（参考訳）: ディープマーチングテトラヘドラ:高分解能3次元形状合成のためのハイブリッド表現
• Authors: Tianchang Shen, Jun Gao, Kangxue Yin, Ming-Yu Liu, Sanja Fidler
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 90.26556260531707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce DMTet, a deep 3D conditional generative model that can synthesize high-resolution 3D shapes using simple user guides such as coarse voxels. It marries the merits of implicit and explicit 3D representations by leveraging a novel hybrid 3D representation. Compared to the current implicit approaches, which are trained to regress the signed distance values, DMTet directly optimizes for the reconstructed surface, which enables us to synthesize finer geometric details with fewer artifacts. Unlike deep 3D generative models that directly generate explicit representations such as meshes, our model can synthesize shapes with arbitrary topology. The core of DMTet includes a deformable tetrahedral grid that encodes a discretized signed distance function and a differentiable marching tetrahedra layer that converts the implicit signed distance representation to the explicit surface mesh representation. This combination allows joint optimization of the surface geometry and topology as well as generation of the hierarchy of subdivisions using reconstruction and adversarial losses defined explicitly on the surface mesh. Our approach significantly outperforms existing work on conditional shape synthesis from coarse voxel inputs, trained on a dataset of complex 3D animal shapes. Project page: https://nv-tlabs.github.io/DMTet/.
• Abstract（参考訳）: 粗いボクセルなどの簡単なユーザガイドを用いて高分解能な3次元形状を合成できる深部3次元条件生成モデルDMTetを紹介する。 新規なハイブリッド3D表現を活用することで、暗黙的かつ明示的な3D表現のメリットをマージする。 署名された距離値の回帰を訓練した現在の暗黙的アプローチと比較して、DMTetは、再構成された表面に対して直接最適化するので、より細かい幾何学的詳細をより少ないアーティファクトで合成することができる。 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。 dmtetのコアは、離散符号付き距離関数を符号化する変形可能な四面体グリッドと、暗黙の符号付き距離表現を明示的な表面メッシュ表現に変換する微分可能なマーチングテトラヘドラ層を含む。 この組み合わせにより、表面幾何とトポロジーの合同最適化と、表面メッシュ上で明示的に定義された再構成と逆損失を用いてサブディビジョンの階層を生成することができる。 提案手法は,複雑な3次元動物形状のデータセット上で訓練された粗いボクセル入力から条件付き形状合成を行う既存の作業を大幅に上回っている。 プロジェクトページ: https://nv-tlabs.github.io/DMTet/。

関連論文リスト

• DreamMesh4D: Video-to-4D Generation with Sparse-Controlled Gaussian-Mesh Hybrid Representation [10.250715657201363]
  本稿では,メッシュ表現と幾何スキン技術を組み合わせた新しいフレームワークDreamMesh4Dを紹介し,モノクロビデオから高品質な4Dオブジェクトを生成する。 我々の手法は現代のグラフィックパイプラインと互換性があり、3Dゲームや映画産業におけるその可能性を示している。
  論文  参考訳（メタデータ） (2024-10-09T10:41:08Z)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
  3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。 既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。 本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T04:09:34Z)
• SurfGen: Adversarial 3D Shape Synthesis with Explicit Surface Discriminators [5.575197901329888]
  本研究では,物体表面に直接対向学習を行う3次元形状合成フレームワーク(SurfGen)を提案する。 提案手法では, 球面上に定義された関数として, 暗黙的な3次元ジェネレータの自明な零等方面を捕捉し, 表現するために, 微分可能な球面射影層を用いる。 大規模形状データセットを用いて本モデルの評価を行い,多種多様なトポロジを持つ高忠実度3次元形状を創出できることを実証した。
  論文  参考訳（メタデータ） (2022-01-01T04:44:42Z)
• 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)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Coupling Explicit and Implicit Surface Representations for Generative 3D Modeling [41.79675639550555]
  本稿では,2つの相補的な形状表現を利用する3次元曲面を表現するニューラルアーキテクチャを提案する。 これら2つの表現は、新しい一貫性損失を導入することで相乗効果を得る。 我々のハイブリッドアーキテクチャの出力結果は、2つの等価な単一表現ネットワークの出力よりも優れている。
  論文  参考訳（メタデータ） (2020-07-20T17:24:51Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。