論文の概要: AutoPoly: Predicting a Polygonal Mesh Construction Sequence from a
Silhouette Image
- arxiv url: http://arxiv.org/abs/2203.15233v1
- Date: Tue, 29 Mar 2022 04:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 17:11:16.586919
- Title: AutoPoly: Predicting a Polygonal Mesh Construction Sequence from a
Silhouette Image
- Title（参考訳）: シルエット画像から多角形メッシュ構築シーケンスを予測するAutoPoly
- Authors: I-Chao Shen, Yu Ju Chen, Oliver van Kaick, Takeo Igarashi
- Abstract要約: AutoPolyはシルエット画像から多角形メッシュ構築シーケンスを生成するハイブリッド手法である。
提案手法はトポロジを修正できるが,最近提案された微分可能レンダリングを用いた逆形状推定法は固定トポロジのみを処理できる。
- 参考スコア（独自算出の注目度）: 17.915067368873018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Polygonal modeling is a core task of content creation in Computer Graphics.
The complexity of modeling, in terms of the number and the order of operations
and time required to execute them makes it challenging to learn and execute.
Our goal is to automatically derive a polygonal modeling sequence for a given
target. Then, one can learn polygonal modeling by observing the resulting
sequence and also expedite the modeling process by starting from the
auto-generated result. As a starting point for building a system for 3D
modeling in the future, we tackle the 2D shape modeling problem and present
AutoPoly, a hybrid method that generates a polygonal mesh construction sequence
from a silhouette image. The key idea of our method is the use of the Monte
Carlo tree search (MCTS) algorithm and differentiable rendering to separately
predict sequential topological actions and geometric actions. Our hybrid method
can alter topology, whereas the recently proposed inverse shape estimation
methods using differentiable rendering can only handle a fixed topology. Our
novel reward function encourages MCTS to select topological actions that lead
to a simpler shape without self-intersection. We further designed two deep
learning-based methods to improve the expansion and simulation steps in the
MCTS search process: an $n$-step "future action prediction" network (nFAP-Net)
to generate candidates for potential topological actions, and a shape warping
network (WarpNet) to predict polygonal shapes given the predicted rendered
images and topological actions. We demonstrate the efficiency of our method on
2D polygonal shapes of multiple man-made object categories.
- Abstract（参考訳）: 多角形モデリングはコンピュータグラフィックスにおけるコンテンツ作成のコアタスクである。
モデリングの複雑さは、それらを実行するのに必要な操作の数と順序と時間の観点から、学習と実行が難しくなります。
我々の目標は、与えられた対象に対する多角形モデリングシーケンスを自動的に導出することです。
そして、結果のシーケンスを観察して多角形モデリングを学習し、自動生成結果から始めることでモデリングプロセスを高速化する。
今後,3次元モデリングシステムを構築するための出発点として,2次元形状モデリングの問題に取り組み,シルエット画像から多角メッシュ構築シーケンスを生成するハイブリッド手法であるautopolyを提案する。
本手法の重要な考え方はモンテカルロ木探索(mcts)アルゴリズムと微分可能レンダリングを用いて逐次位相的作用と幾何作用を別々に予測することである。
ハイブリッド法はトポロジーを変えることができるが、最近提案された微分可能レンダリングを用いた逆形状推定手法は固定トポロジーのみを扱うことができる。
我々の新しい報酬関数は、MCTSが自己切断なしでより単純な形状に導くトポロジカルな行動を選択することを奨励する。
我々はさらに,MCTSの探索プロセスにおける拡張とシミュレーションのステップを改善するための2つの深層学習ベースの手法を設計した: 潜在的なトポロジカルな行動の候補を生成するための$n$step "future action prediction" network (nFAP-Net) と,予測された画像とトポロジ的行動から多角形を予測するための形状ワープネットワーク (WarpNet) である。
複数の人工物カテゴリの2次元多角形状に対する本手法の有効性を示す。
関連論文リスト
- Robust 3D Tracking with Quality-Aware Shape Completion [67.9748164949519]
そこで本研究では,高密度および完全点の雲からなる合成対象表現について,ロバストな3次元追跡のための形状完備化により正確に表現する。
具体的には, 形状が整ったボキセル化3次元追跡フレームワークを設計し, ノイズのある歴史的予測の悪影響を軽減するために, 品質に配慮した形状完備化機構を提案する。
論文 参考訳（メタデータ） (2023-12-17T04:50:24Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳（メタデータ） (2023-03-26T12:03:18Z) - Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。
画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。
幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
論文 参考訳（メタデータ） (2022-10-25T01:55:17Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。
我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。
我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文 参考訳（メタデータ） (2022-04-21T03:42:31Z) - Learnable Triangulation for Deep Learning-based 3D Reconstruction of
Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。
提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
論文 参考訳（メタデータ） (2021-09-24T09:44:22Z) - Automated LoD-2 Model Reconstruction from Very-HighResolution
Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。
提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
論文 参考訳（メタデータ） (2021-09-08T19:03:09Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - Modeling 3D Shapes by Reinforcement Learning [33.343268605720176]
RLに基づく2段階のニューラル・フレームワークを提案し、3次元モデリングポリシーを学習する。
モデリングエージェントを効果的に訓練するために,ポリシー,模倣学習,強化学習を組み合わせた新しい学習アルゴリズムを導入する。
実験の結果、エージェントは規則的および構造的メッシュモデルを生成するための優れたポリシーを学習できることがわかった。
論文 参考訳（メタデータ） (2020-03-27T13:05:39Z) - PolyGen: An Autoregressive Generative Model of 3D Meshes [22.860421649320287]
本稿では,Transformerベースのアーキテクチャを用いてメッシュを直接モデル化するアプローチを提案する。
我々のモデルは、オブジェクトクラス、ボクセル、イメージなど、様々な入力を条件にすることができる。
このモデルでは、高品質で使い勝手の良いメッシュを生成でき、メッシュモデリングタスクのためのログライクなベンチマークを確立することができる。
論文 参考訳（メタデータ） (2020-02-23T17:16:34Z)
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。