論文の概要: Neural Convolutional Surfaces

• arxiv url: http://arxiv.org/abs/2204.02289v1
• Date: Tue, 5 Apr 2022 15:40:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:16:07.275864
• Title: Neural Convolutional Surfaces
• Title（参考訳）: ニューラル畳み込み表面
• Authors: Luca Morreale and Noam Aigerman and Paul Guerrero and Vladimir G. Kim and Niloy J. Mitra
• Abstract要約: この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
• 参考スコア（独自算出の注目度）: 59.172308741945336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work is concerned with a representation of shapes that disentangles fine, local and possibly repeating geometry, from global, coarse structures. Achieving such disentanglement leads to two unrelated advantages: i) a significant compression in the number of parameters required to represent a given geometry; ii) the ability to manipulate either global geometry, or local details, without harming the other. At the core of our approach lies a novel pipeline and neural architecture, which are optimized to represent one specific atlas, representing one 3D surface. Our pipeline and architecture are designed so that disentanglement of global geometry from local details is accomplished through optimization, in a completely unsupervised manner. We show that this approach achieves better neural shape compression than the state of the art, as well as enabling manipulation and transfer of shape details. Project page at http://geometry.cs.ucl.ac.uk/projects/2022/cnnmaps/ .
• Abstract（参考訳）: この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このような絡み合いの達成は、無関係な2つの利点をもたらす。 一 所定の幾何学を表すのに必要なパラメータの数を大幅に圧縮すること。 二 地球の地形又は局地的な詳細を他方に害を加えることなく操作することができること。 このアプローチのコアには、新しいパイプラインとニューラルアーキテクチャがあり、それは1つの特定のアトラスを表現するように最適化され、1つの3D表面を表す。 我々のパイプラインとアーキテクチャは、局所的な細部からのグローバルな幾何学の切り離しが、完全に教師なしの方法で最適化によって達成されるよう設計されている。 このアプローチは, 最先端技術よりも優れた神経形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。 プロジェクトページ http://geometry.cs.ucl.ac.uk/projects/2022/cnnmaps/

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Optimizing 3D Geometry Reconstruction from Implicit Neural Representations [2.3940819037450987]
  暗黙の神経表現は、3D幾何学を学ぶための強力なツールとして登場した。 本稿では,計算コストを削減し,細部を捉える新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T16:36:23Z)
• GALA: Geometry-Aware Local Adaptive Grids for Detailed 3D Generation [28.299293407423455]
  GALAは複雑な幾何学や表面の細部を捉え再現する3次元形状の斬新な表現である。 最適化されたC++/CUDA実装では、GALAをオブジェクトに10秒以内で適用することができます。 幾何学的なディテールで3次元形状を生成することができるカスケード生成パイプラインを提供する。
  論文  参考訳（メタデータ） (2024-10-13T22:53:58Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Enhancing Local Geometry Learning for 3D Point Cloud via Decoupling Convolution [10.449455311881398]
  そこで我々は,局所幾何学の学習を促進できる,単純かつ効果的なアーキテクチャ単位として,ラプラシアン単位(LU)を提案する。 LUは、典型的なクラウド理解タスクにおいて、競争力または優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-07-04T03:49:13Z)
• Depth Completion using Geometry-Aware Embedding [22.333381291860498]
  本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。 局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
  論文  参考訳（メタデータ） (2022-03-21T12:06:27Z)
• Learning to generate shape from global-local spectra [0.0]
  我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。 我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。 提案手法は既存手法や代替手法と比較して改善された。
  論文  参考訳（メタデータ） (2021-08-04T16:39:56Z)
• 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。