論文の概要: Theoretical and empirical analysis of a fast algorithm for extracting
polygons from signed distance bounds
- arxiv url: http://arxiv.org/abs/2111.05778v1
- Date: Wed, 10 Nov 2021 16:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 15:21:56.311803
- Title: Theoretical and empirical analysis of a fast algorithm for extracting
polygons from signed distance bounds
- Title(参考訳): 符号付き距離境界からポリゴンを抽出する高速アルゴリズムの理論的および経験的解析
- Authors: Nenad Marku\v{s}
- Abstract要約: 本稿では,符号付き距離境界をポリゴンメッシュに変換するための高速な手法について検討する。
これは、球追跡と従来の多角化スキームの1つを組み合わせることで達成される。
我々は、$O(N2log N)$計算複雑性が$N3$セルを持つ多角化格子であることを示す理論的および実験的証拠を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We investigate an asymptotically fast method for transforming signed distance
bounds into polygon meshes. This is achieved by combining sphere tracing (also
known as ray marching) and one of the traditional polygonization schemes (e.g.,
Marching cubes). Let us call this approach Gridhopping. We provide theoretical
and experimental evidence that it is of the $O(N^2\log N)$ computational
complexity for a polygonization grid with $N^3$ cells. The algorithm is tested
on both a set of primitive shapes as well as signed distance fields generated
from point clouds by machine learning. Given its speed, simplicity and
portability, we argue that it could prove useful during the modelling stage as
well as in shape compression for storage.
The code is available here: https://github.com/nenadmarkus/gridhopping
- Abstract(参考訳): 符号付き距離境界をポリゴンメッシュに変換する漸近的に高速な手法について検討する。
これは球面追跡(レイマーチングとも呼ばれる)と伝統的な多角化スキーム(例えばマーチングキューブ)を組み合わせることで達成される。
このアプローチをGridhoppingと呼びましょう。
我々は、$O(N^2\log N)$計算複雑性が$N^3$セルを持つ多角化格子であることを示す理論的および実験的証拠を提供する。
このアルゴリズムは、プリミティブな形状のセットと、機械学習によってポイントクラウドから生成される符号付き距離フィールドの両方でテストされる。
そのスピード、シンプルさ、ポータビリティを考えると、モデリングの段階でも、ストレージの形状圧縮でも有用である、と私たちは主張します。
コードはここにある。 https://github.com/nenadmarkus/gridhopping
関連論文リスト
- Learning the Geodesic Embedding with Graph Neural Networks [22.49236293942187]
離散多面体表面上の2つの任意の点間の近似測地距離を計算するための学習ベース手法であるGeGnnを提案する。
私たちのキーとなるアイデアは、グラフニューラルネットワークをトレーニングして、入力メッシュを高次元の埋め込み空間に埋め込むことです。
本研究では,ShapeNetにおける提案手法の有効性と有効性を検証するとともに,既存の手法よりも桁違いに高速であることを示す。
論文 参考訳(メタデータ) (2023-09-11T16:54:34Z) - Efficiently Learning One-Hidden-Layer ReLU Networks via Schur
Polynomials [50.90125395570797]
正方形損失に関して、標準的なガウス分布の下での$k$ReLU活性化の線形結合をPAC学習する問題をmathbbRd$で検討する。
本研究の主な成果は,この学習課題に対して,サンプルおよび計算複雑性が$(dk/epsilon)O(k)$で,epsilon>0$が目標精度である。
論文 参考訳(メタデータ) (2023-07-24T14:37:22Z) - Breaking 3-Factor Approximation for Correlation Clustering in
Polylogarithmic Rounds [0.23633885460047763]
相関クラスタリング問題に対する並列アルゴリズムについて検討する。
目標は、エンティティをクラスタに分割し、ラベルとの相違を最小限にすることである。
現在、全ての効率的な並列アルゴリズムは、近似比が少なくとも3である。
3 より優れた近似比を実現するための最初の多元対数アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-13T12:32:49Z) - Quantum Simulation of the First-Quantized Pauli-Fierz Hamiltonian [0.22559617939136506]
我々は、我々の分割と形式主義の征服を通じて、大きな$Lambda$の量子化よりも優れたスケーリングと量子化を得られることを示す。
また,マルチコントロールされたXゲート群を実装する新しい方法を含む,ゲート最適化のための新しいアルゴリズムおよび回路レベル技術も提供する。
論文 参考訳(メタデータ) (2023-06-19T23:20:30Z) - Most Neural Networks Are Almost Learnable [52.40331776572531]
固定された$epsilon>0$とdeep $i$に対して、深さ$i$のランダムなXavierネットワークを学習するポリ時間アルゴリズムが存在することを示す。
このアルゴリズムは時間とサンプルの複雑さが$(bard)mathrmpoly(epsilon-1)$であり、$bar d$はネットワークのサイズである。
シグモイドやReLU様の活性化の場合、境界は$(bard)mathrmpolylog(eps)に改善できる。
論文 参考訳(メタデータ) (2023-05-25T22:27:42Z) - DPPD: Deformable Polar Polygon Object Detection [3.9236649268347765]
我々は,ポリゴン形状の物体を検出するための新しい変形可能な極ポリゴン物体検出法(DPPD)を開発した。
DPPDは、自律運転のための様々な物体検出タスクで成功している。
論文 参考訳(メタデータ) (2023-04-05T06:43:41Z) - Pseudonorm Approachability and Applications to Regret Minimization [73.54127663296906]
我々は、高次元 $ell_infty$-approachability 問題を、低次元の擬ノルムアプローチ可能性問題に変換する。
我々は、$ell$や他のノルムに対するアプローチ可能性に関する以前の研究に類似した疑似ノルムアプローチ可能性のアルゴリズム理論を開発する。
論文 参考訳(メタデータ) (2023-02-03T03:19:14Z) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳(メタデータ) (2023-02-02T08:33:36Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳(メタデータ) (2022-09-29T15:59:23Z) - A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D
Shape Matching [69.14632473279651]
本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。
従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
論文 参考訳(メタデータ) (2022-04-27T09:47:47Z) - CenterPoly: real-time instance segmentation using bounding polygons [11.365829102707014]
有界多角形を用いたリアルタイムインスタンスセグメンテーションのための新しい手法であるCenterPolyを提案する。
都市部密集環境における道路利用者の検出に応用し,自動走行車などのインテリジェント交通システムへの適用に適している。
ネットワークパラメータのほとんどはネットワークヘッドによって共有され、高速かつ軽量でリアルタイムに実行することができる。
論文 参考訳(メタデータ) (2021-08-19T21:31:30Z)
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。