論文の概要: Neural Dual Contouring

• arxiv url: http://arxiv.org/abs/2202.01999v1
• Date: Fri, 4 Feb 2022 07:03:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 15:08:28.964153
• Title: Neural Dual Contouring
• Title（参考訳）: ニューラル・デュアル・コントーリング
• Authors: Zhiqin Chen, Andrea Tagliasacchi, Thomas Funkhouser, Hao Zhang
• Abstract要約: デュアルコントゥーリング(DC)に基づくメッシュ再構築のための新しいデータ駆動型アプローチであるニューラルデュアルコントゥーリング(NDC)を導入する。 NDCはグリッドセルごとに正確に1つの頂点を生成し、グリッドエッジの交差点ごとに1つのクワッドを生成する。 NDCは、従来の学習方法と比較して、表面再構成精度、特徴保存、出力複雑性、三角形の品質、推論時間を改善する。
• 参考スコア（独自算出の注目度）: 25.100284348137695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce neural dual contouring (NDC), a new data-driven approach to mesh reconstruction based on dual contouring (DC). Like traditional DC, it produces exactly one vertex per grid cell and one quad for each grid edge intersection, a natural and efficient structure for reproducing sharp features. However, rather than computing vertex locations and edge crossings with hand-crafted functions that depend directly on difficult-to-obtain surface gradients, NDC uses a neural network to predict them. As a result, NDC can be trained to produce meshes from signed or unsigned distance fields, binary voxel grids, or point clouds (with or without normals); and it can produce open surfaces in cases where the input represents a sheet or partial surface. During experiments with five prominent datasets, we find that NDC, when trained on one of the datasets, generalizes well to the others. Furthermore, NDC provides better surface reconstruction accuracy, feature preservation, output complexity, triangle quality, and inference time in comparison to previous learned (e.g., neural marching cubes, convolutional occupancy networks) and traditional (e.g., Poisson) methods.
• Abstract（参考訳）: 本稿では,dual contouring(dc)に基づく新しいデータ駆動型メッシュ再構成手法であるneural dual contouring(ndc)を提案する。 従来のDCと同様に、グリッドセルごとに1つの頂点と1つのクワッドを生成し、シャープな特徴を再現するための自然で効率的な構造である。 しかし、難しい表面勾配に直接依存する手作りの関数で頂点の位置やエッジ交差を計算する代わりに、NDCはニューラルネットワークを使ってそれらを予測している。 結果として、NDCは符号付きまたは符号なし距離フィールド、バイナリボクセルグリッド、または点雲(通常の有無にかかわらず)からメッシュを生成するように訓練することができ、入力がシートまたは部分曲面を表す場合、開面を生成することができる。 5つの顕著なデータセットを用いた実験では、NDCがデータセットの1つでトレーニングされた場合、他のデータセットをうまく一般化する。 さらに、nccは、以前の学習した(神経マーチングキューブ、畳み込み型占有ネットワークなど)や伝統的な(ポアソンなど)手法と比較して、表面再構成精度、特徴保存、出力複雑性、三角形品質、推論時間も向上している。

関連論文リスト

• Occupancy-Based Dual Contouring [12.944046673902415]
  本稿では,2重畳み込み方式を提案する。 本手法は,GPU並列化を最大化するために,学習不要かつ慎重に設計されている。
  論文  参考訳（メタデータ） (2024-09-20T11:32:21Z)
• HYVE: Hybrid Vertex Encoder for Neural Distance Fields [9.40036617308303]
  本稿では,1つの前方パスにおける3次元形状の正確な符号化に適したニューラルネットワークアーキテクチャを提案する。 我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない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） (2023-05-01T02:51:38Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• 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)
• Neural Fields as Learnable Kernels for 3D Reconstruction [101.54431372685018]
  本稿では,学習したカーネルリッジの回帰に基づいて,暗黙の3次元形状を再構成する手法を提案する。 本手法は,3次元オブジェクトと大画面をスパース指向の点から再構成する際の最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:04Z)
• Scaling Neural Tangent Kernels via Sketching and Random Features [53.57615759435126]
  最近の研究報告では、NTKレグレッションは、小規模データセットでトレーニングされた有限範囲のニューラルネットワークより優れている。 我々は、アークコサインカーネルの拡張をスケッチして、NTKの近距離入力スパーシティ時間近似アルゴリズムを設計する。 CNTKの特徴をトレーニングした線形回帰器が,CIFAR-10データセット上での正確なCNTKの精度と150倍の高速化を実現していることを示す。
  論文  参考訳（メタデータ） (2021-06-15T04:44:52Z)
• Learning with Neural Tangent Kernels in Near Input Sparsity Time [5.472561051778218]
  neural tangent kernel(ntk)は、勾配降下によって少なくとも二乗損失の下で訓練された無限に広いニューラルネットワークの挙動を特徴付ける。 変換したデータの内部積がNTK評価を近似するように、入力データをランダム化された低次元特徴空間にマッピングするニアインプットスパーシティ時間アルゴリズムを提案する。 従来の大規模回帰・分類タスクでは,NTKカーネルを用いたNNとNystrom法より訓練された線形回帰器が優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-01T11:56:58Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)
• 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。