論文の概要: DeepMLS: Geometry-Aware Control Point Deformation

• arxiv url: http://arxiv.org/abs/2201.01873v1
• Date: Wed, 5 Jan 2022 23:55:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-07 14:37:04.123832
• Title: DeepMLS: Geometry-Aware Control Point Deformation
• Title（参考訳）: DeepMLS: 幾何学的制御点変形
• Authors: Meitar Shechter, Rana Hanocka, Gal Metzer, Raja Giryes, Daniel Cohen-Or
• Abstract要約: 本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
• 参考スコア（独自算出の注目度）: 76.51312491336343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce DeepMLS, a space-based deformation technique, guided by a set of displaced control points. We leverage the power of neural networks to inject the underlying shape geometry into the deformation parameters. The goal of our technique is to enable a realistic and intuitive shape deformation. Our method is built upon moving least-squares (MLS), since it minimizes a weighted sum of the given control point displacements. Traditionally, the influence of each control point on every point in space (i.e., the weighting function) is defined using inverse distance heuristics. In this work, we opt to learn the weighting function, by training a neural network on the control points from a single input shape, and exploit the innate smoothness of neural networks. Our geometry-aware control point deformation is agnostic to the surface representation and quality; it can be applied to point clouds or meshes, including non-manifold and disconnected surface soups. We show that our technique facilitates intuitive piecewise smooth deformations, which are well suited for manufactured objects. We show the advantages of our approach compared to existing surface and space-based deformation techniques, both quantitatively and qualitatively.
• Abstract（参考訳）: 本稿では,空間に基づく変形手法であるdeepmlsについて,一組の変位制御点を導出して紹介する。 ニューラルネットワークのパワーを利用して,変形パラメータに基礎となる形状形状を注入する。 本技術の目的は,現実的で直感的な形状変形を可能にすることである。 本手法は,与えられた制御点変位の重み付き和を最小にするため,移動最小二乗法(mls)に基づいて構成する。 伝統的に、空間の各点(すなわち重み付け関数)に対する各制御点の影響は、逆距離ヒューリスティックスを用いて定義される。 本研究では,ニューラルネットワークを1つの入力形状から制御点に訓練することで,重み付け関数を学習し,ニューラルネットワークの固有な滑らかさを生かして学習する。 形状認識制御点変形は表面表現や品質に依存せず、非マニフォールドや断線した表面スープを含む点雲やメッシュに適用することができる。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適していることを示す。 我々は,既存の表面および空間に基づく変形技術と比較して,定量的かつ定性的にアプローチの利点を示す。

関連論文リスト

• Neural Implicit Shape Editing using Boundary Sensitivity [12.621108702820313]
  パラメータの摂動が形状境界をどう移動するかを表現するために境界感度を利用する。 これを用いて幾何学的編集を行い、グローバルに規定された変形を最もよく近似するパラメータ更新を求める。
  論文  参考訳（メタデータ） (2023-04-24T13:04:15Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Neural Shape Deformation Priors [14.14047635248036]
  本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
  論文  参考訳（メタデータ） (2022-10-11T17:03:25Z)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習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） (2021-07-13T07:45:48Z)
• SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local Elements [62.652588951757764]
  衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。 最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。 まず、人間の体モデルに基づいて表面要素を変形させます。 第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:39Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)

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。