論文の概要: N-Cloth: Predicting 3D Cloth Deformation with Mesh-Based Networks

• arxiv url: http://arxiv.org/abs/2112.06397v1
• Date: Mon, 13 Dec 2021 03:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 18:55:30.981817
• Title: N-Cloth: Predicting 3D Cloth Deformation with Mesh-Based Networks
• Title（参考訳）: N-Cloth:メッシュネットワークによる3次元布の変形予測
• Authors: Yudi Li and Min Tang and Yun Yang and Zi Huang and Ruofeng Tong and Shuangcai Yang and Yao Li and Dinesh Manocha
• Abstract要約: 本稿では,3次元布の変形予測のためのメッシュに基づく新しい学習手法(N-Cloth)を提案する。 グラフ畳み込みを用いて、メッシュ空間の非線形性を低減するために、布とメッシュを潜在空間に変換する。 我々のアプローチは、SMPL人間、非SMPL人間、または剛体に対応する様々な物体で、最大100ドルの三角形とシーンを持つ複雑な布メッシュを扱うことができる。
• 参考スコア（独自算出の注目度）: 69.94313958962165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel mesh-based learning approach (N-Cloth) for plausible 3D cloth deformation prediction. Our approach is general and can handle cloth or obstacles represented by triangle meshes with arbitrary topology. We use graph convolution to transform the cloth and object meshes into a latent space to reduce the non-linearity in the mesh space. Our network can predict the target 3D cloth mesh deformation based on the state of the initial cloth mesh template and the target obstacle mesh. Our approach can handle complex cloth meshes with up to $100$K triangles and scenes with various objects corresponding to SMPL humans, Non-SMPL humans, or rigid bodies. In practice, our approach demonstrates good temporal coherence between successive input frames and can be used to generate plausible cloth simulation at $30-45$ fps on an NVIDIA GeForce RTX 3090 GPU. We highlight its benefits over prior learning-based methods and physically-based cloth simulators.
• Abstract（参考訳）: 本稿では,3次元布の変形予測のためのメッシュに基づく新しい学習手法(N-Cloth)を提案する。 我々のアプローチは一般的なもので、任意のトポロジを持つ三角形メッシュで表される布や障害物を扱える。 グラフ畳み込みを用いて、メッシュ空間の非線形性を低減するために、布とメッシュを潜在空間に変換する。 本ネットワークは,初期布メッシュテンプレートと対象障害物メッシュの状態に基づいて,対象の3次元布メッシュ変形を予測できる。 我々のアプローチは、SMPL人間、非SMPL人間、または剛体に対応する様々な物体で、最大100ドルの三角形とシーンを持つ複雑な布メッシュを扱うことができる。 実際に,本手法は連続する入力フレーム間の時間的コヒーレンスをよく示し,NVIDIA GeForce RTX 3090 GPU上で30-45$ fpsで可塑性布シミュレーションを生成する。 先行学習に基づく方法や物理ベースの布のシミュレータよりもその利点を強調する。

関連論文リスト

• Bridging 3D Gaussian and Mesh for Freeview Video Rendering [57.21847030980905]
  GauMeshはダイナミックシーンのモデリングとレンダリングのために3D GaussianとMeshをブリッジする。 提案手法は, 動的シーンの異なる部分を表現するために, プリミティブの適切なタイプに適応することを示す。
  論文  参考訳（メタデータ） (2024-03-18T04:01:26Z)
• Mesh Neural Cellular Automata [62.101063045659906]
  本稿では,UVマップを必要とせずに3次元メッシュ上で動的テクスチャを直接合成するメッシュニューラルセルオートマタ(MeshNCA)を提案する。 IcosphereメッシュでのみトレーニングされたMeshNCAは、驚くべきテストタイムの一般化を示し、目に見えないメッシュ上でテクスチャをリアルタイムで合成する。
  論文  参考訳（メタデータ） (2023-11-06T01:54:37Z)
• MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
  神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。 異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。 本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
  論文  参考訳（メタデータ） (2023-04-17T13:49:04Z)
• SAGA: Spectral Adversarial Geometric Attack on 3D Meshes [13.84270434088512]
  三角形メッシュは、最も人気のある3Dデータ表現の1つである。 本稿では,3次元メッシュオートエンコーダに対する幾何学的逆アタックのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-24T19:29:04Z)
• Surface-Aligned Neural Radiance Fields for Controllable 3D Human Synthesis [4.597864989500202]
  本稿では,多視点RGBビデオから暗黙の3次元モデルを再構築する手法を提案する。 本手法は,人体メッシュの表面から,メッシュ表面点と署名された距離のニューラルシーン表現を定義する。
  論文  参考訳（メタデータ） (2022-01-05T16:25:32Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  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。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• A Deep Emulator for Secondary Motion of 3D Characters [24.308088194689415]
  本稿では,3次元キャラクタのスキンアニメーションを鮮明な二次動作効果で強化する学習的アプローチを提案する。 文字シミュレーションメッシュの各局所パッチを符号化するニューラルネットワークを設計する。 ネットワークは局所的な手法であるため,テスト時に任意の形状の3Dキャラクタメッシュに一般化する。
  論文  参考訳（メタデータ） (2021-03-01T19:13:35Z)
• Deep Geometric Texture Synthesis [83.9404865744028]
  幾何学的テクスチャを合成するための新しい枠組みを提案する。 単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。 我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
  論文  参考訳（メタデータ） (2020-06-30T19:36:38Z)
• MeshWalker: Deep Mesh Understanding by Random Walks [19.594977587417247]
  コンピュータグラフィックスにおける最も一般的な3D形状(三角形メッシュ)の表現を見て、ディープラーニングでどのように活用できるかを尋ねる。 本稿では、メッシュから形状を直接学習する、まったく異なるアプローチであるMeshWalkerを提案する。 提案手法は,2つの基本形状解析タスクに対して,最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-06-09T15:35:41Z)

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。