論文の概要: CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic Surface Representation via Neural Homeomorphism

• arxiv url: http://arxiv.org/abs/2203.16529v1
• Date: Wed, 30 Mar 2022 17:59:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 15:42:13.052935
• Title: CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic Surface Representation via Neural Homeomorphism
• Title（参考訳）: CaDeX:ニューラルホメオモルフィズムによる動的表面表現のための標準変形座標空間の学習
• Authors: Jiahui Lei and Kostas Daniilidis
• Abstract要約: 形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。 我々の新しい変形表現とその実装は単純で効率的であり、サイクルの整合性を保証する。 幅広い変形可能なオブジェクトをモデル化する際の最先端性能を実証する。
• 参考スコア（独自算出の注目度）: 46.234728261236015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While neural representations for static 3D shapes are widely studied, representations for deformable surfaces are limited to be template-dependent or lack efficiency. We introduce Canonical Deformation Coordinate Space (CaDeX), a unified representation of both shape and nonrigid motion. Our key insight is the factorization of the deformation between frames by continuous bijective canonical maps (homeomorphisms) and their inverses that go through a learned canonical shape. Our novel deformation representation and its implementation are simple, efficient, and guarantee cycle consistency, topology preservation, and, if needed, volume conservation. Our modelling of the learned canonical shapes provides a flexible and stable space for shape prior learning. We demonstrate state-of-the-art performance in modelling a wide range of deformable geometries: human bodies, animal bodies, and articulated objects.
• Abstract（参考訳）: 静的な3次元形状の神経表現は広く研究されているが、変形可能な表面の表現はテンプレート依存か効率の欠如に制限されている。 形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。 我々の重要な洞察は、連続的単射正準写像(同型)と学習された正準形状を通るそれらの逆写像によるフレーム間の変形の因子化である。 この新しい変形表現とその実装は, シンプルで効率的であり, サイクル一貫性, トポロジー保存, および必要であればボリューム保存を保証できる。 学習した標準形状のモデル化は、学習前の形状に柔軟で安定した空間を提供する。 我々は、人体、動物体、関節した物体など幅広い変形可能なジオメトリのモデル化において、最先端のパフォーマンスを示す。

関連論文リスト

• DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction [93.18586302123633]
  本稿では3次元点雲列から時間的に一貫した表面を対応なく再構成する問題について考察する。 テンプレート表面表現と学習可能な変形場を統合した教師なし学習フレームワークDynoSurfを提案する。 実験により、DynoSurfの現在の最先端アプローチに対する顕著な優位性を示した。
  論文  参考訳（メタデータ） (2024-03-18T08:58:48Z)
• Self-supervised Learning of Implicit Shape Representation with Dense Correspondence for Deformable Objects [26.102490905989338]
  変形可能な物体に対する暗黙的形状表現を学習するための,新しい自己教師型アプローチを提案する。 本手法は, 骨格と皮膚の重量の先行を必要とせず, 符号付き距離場で表現される形状の収集のみを必要とする。 我々のモデルは大きな変形を伴う形状を表現することができ、テクスチャ転送や形状編集といった2つの典型的な応用をサポートすることができる。
  論文  参考訳（メタデータ） (2023-08-24T06:38:33Z)
• Topology-Preserving Shape Reconstruction and Registration via Neural Diffeomorphic Flow [22.1959666473906]
  Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。 深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。 NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
  論文  参考訳（メタデータ） (2022-03-16T14:39:11Z)
• Identity-Disentangled Neural Deformation Model for Dynamic Meshes [8.826835863410109]
  我々は、暗黙の神経機能を用いたポーズ依存的な変形から、同一性によって引き起こされる形状変化を歪曲する神経変形モデルを学ぶ。 本稿では,大域的ポーズアライメントとニューラル変形モデルを統合する2つの手法を提案する。 また, 固定テンプレートの制約を伴わずにヤシの印刷や腱などの表面の細部を再構築する際に, 従来の骨格駆動モデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-30T17:43:06Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)
• Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
  3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。 本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。 得られたモデルは生の3D形状からトレーニングできる。
  論文  参考訳（メタデータ） (2021-02-27T06:54:31Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• ShapeFlow: Learnable Deformations Among 3D Shapes [28.854946339507123]
  本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-14T19:03:35Z)

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。