論文の概要: SPAGHETTI: Editing Implicit Shapes Through Part Aware Generation
- arxiv url: http://arxiv.org/abs/2201.13168v1
- Date: Mon, 31 Jan 2022 12:31:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 18:22:58.909228
- Title: SPAGHETTI: Editing Implicit Shapes Through Part Aware Generation
- Title（参考訳）: spaghetti: 部分認識生成による暗黙的な形状の編集
- Authors: Amir Hertz, Or Perel, Raja Giryes, Olga Sorkine-Hornung and Daniel
Cohen-Or
- Abstract要約: 本稿では, $mathbfE$diting $mathbfI$mplicit $mathbfS$hapes $mathbfT$hroughを紹介する。
我々のアーキテクチャは、形状セグメントを変換し、補間し、組み合わせることで、暗黙の形状の操作を可能にする。
- 参考スコア（独自算出の注目度）: 85.09014441196692
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Neural implicit fields are quickly emerging as an attractive representation
for learning based techniques. However, adopting them for 3D shape modeling and
editing is challenging. We introduce a method for $\mathbf{E}$diting
$\mathbf{I}$mplicit $\mathbf{S}$hapes $\mathbf{T}$hrough $\mathbf{P}$art
$\mathbf{A}$ware $\mathbf{G}$enera$\mathbf{T}$ion, permuted in short as
SPAGHETTI. Our architecture allows for manipulation of implicit shapes by means
of transforming, interpolating and combining shape segments together, without
requiring explicit part supervision. SPAGHETTI disentangles shape part
representation into extrinsic and intrinsic geometric information. This
characteristic enables a generative framework with part-level control. The
modeling capabilities of SPAGHETTI are demonstrated using an interactive
graphical interface, where users can directly edit neural implicit shapes.
- Abstract（参考訳）: 学習に基づくテクニックの魅力的な表現として、ニューラル暗黙のフィールドが急速に現れている。
しかし,3次元形状モデリングや編集に採用することは困難である。
我々は,$\mathbf{E}$diting $\mathbf{I}$mplicit $\mathbf{S}$hapes $\mathbf{T}$hrough $\mathbf{P}$art $\mathbf{A}$ware $\mathbf{G}$enera$\mathbf{T}$ionをSPAGHETTIと略して置換する手法を紹介する。
当社のアーキテクチャでは,形状セグメントを変換,補間,結合することにより,明示的な部分監督を必要とせずに暗黙的な形状を操作できる。
SPAGHETTIは、形状部分表現を外生幾何学的および内生幾何学的情報に切り離す。
この特徴は、部分レベル制御を備えた生成フレームワークを可能にする。
SPAGHETTIのモデリング機能はインタラクティブなグラフィカルインタフェースを用いて実証され、ユーザーはニューラルな暗黙の形状を直接編集することができる。
関連論文リスト
- Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)に顕著な効果を示した
しかし、3DGSモデルはスパースポーズビューで訓練すると過度に適合する傾向にあり、その一般化能力は新規ビューに制限される。
オーバーフィッティング問題を緩和するために,Self-Ensembling Gaussian Splatting (SE-GS) アプローチを提案する。
提案手法は,NVSの品質向上に寄与し,既存の最先端手法よりも優れる。
論文 参考訳（メタデータ） (2024-10-31T18:43:48Z) - NAISR: A 3D Neural Additive Model for Interpretable Shape Representation [10.284366517948929]
科学的な形状発見のための解釈可能な形状表現のための3次元ニューラル付加モデル(テキストNAISR$)を提案する。
本手法は, 形状人口の傾向を把握し, 形状移動による患者固有の予測を可能にする。
我々の実験は、textitStarman$が解釈可能性を維持しながら優れた形状復元性能を発揮することを示した。
論文 参考訳（メタデータ） (2023-03-16T11:18:04Z) - Unsupervised Discovery of Semantic Latent Directions in Diffusion Models [6.107812768939554]
本論文では,mathcalX$ of DMsにおける潜伏変数 $mathbfx_t の解釈可能な編集方向を検出するための教師なし手法を提案する。
発見されたセマンティック潜伏方向は、主に不整合な属性変化をもたらし、異なるサンプル間でグローバルに一貫性がある。
論文 参考訳（メタデータ） (2023-02-24T05:54:34Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳（メタデータ） (2022-10-05T16:52:25Z) - Latent Partition Implicit with Surface Codes for 3D Representation [54.966603013209685]
一つの3次元形状を潜在空間の部品の集合として表現する新しい暗黙表現を導入する。
我々は,グローバルな形状モデリングを複数の局所的な部分モデリングにキャストする能力から,Latent Partition Implicit (LPI) と名付けた。
論文 参考訳（メタデータ） (2022-07-18T14:24:46Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳（メタデータ） (2022-02-16T21:24:54Z) - DeepCurrents: Learning Implicit Representations of Shapes with
Boundaries [25.317812435426216]
本稿では,明示的な境界曲線と暗黙的な学習内部を結合したハイブリッド形状表現を提案する。
さらに、境界曲線と潜時符号でパラメータ化された形状の学習ファミリを実証する。
論文 参考訳（メタデータ） (2021-11-17T20:34:20Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳（メタデータ） (2021-11-08T05:29:35Z) - Learners' languages [0.0]
著者らは、深層学習の基本的な要素である勾配降下とバックプロパゲーションは、強いモノイド関手として概念化できることを示した。
我々は$Ato B$ in $mathbfPara(mathbfSLens)$の写像が動的系の観点から自然な解釈を持っていることを示した。
論文 参考訳（メタデータ） (2021-03-01T18:34:00Z)
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。