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
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - 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) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - 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) - PolyWorld: Polygonal Building Extraction with Graph Neural Networks in
Satellite Images [10.661430927191205]
本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。
PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
論文 参考訳（メタデータ） (2021-11-30T15:23:17Z) - PolyNet: Polynomial Neural Network for 3D Shape Recognition with
PolyShape Representation [51.147664305955495]
3次元形状表現とその処理は3次元形状認識に大きな影響を及ぼす。
我々は、ディープニューラルネットワークに基づく手法(PolyNet)と特定のポリゴン表現(PolyShape)を提案する。
本研究では,3次元形状分類と検索作業におけるPolyNetの長所と長所を実証した。
論文 参考訳（メタデータ） (2021-10-15T06:45:59Z) - 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) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
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。