論文の概要: Neural Vector Fields for Implicit Surface Representation and Inference

• arxiv url: http://arxiv.org/abs/2204.06552v3
• Date: Fri, 7 Apr 2023 15:15:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 15:42:12.343451
• Title: Neural Vector Fields for Implicit Surface Representation and Inference
• Title（参考訳）: 入射表面表現と推論のためのニューラルベクトル場
• Authors: Edoardo Mello Rella, Ajad Chhatkuli, Ender Konukoglu, and Luc Van Gool
• Abstract要約: 近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
• 参考スコア（独自算出の注目度）: 73.25812045209001
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit fields have recently shown increasing success in representing and learning 3D shapes accurately. Signed distance fields and occupancy fields are decades old and still the preferred representations, both with well-studied properties, despite their restriction to closed surfaces. With neural networks, several other variations and training principles have been proposed with the goal to represent all classes of shapes. In this paper, we develop a novel and yet a fundamental representation considering unit vectors in 3D space and call it Vector Field (VF): at each point in $\mathbb{R}^3$, VF is directed at the closest point on the surface. We theoretically demonstrate that VF can be easily transformed to surface density by computing the flux density. Unlike other standard representations, VF directly encodes an important physical property of the surface, its normal. We further show the advantages of VF representation, in learning open, closed, or multi-layered as well as piecewise planar surfaces. We compare our method on several datasets including ShapeNet where the proposed new neural implicit field shows superior accuracy in representing any type of shape, outperforming other standard methods. Code is available at https://github.com/edomel/ImplicitVF.
• Abstract（参考訳）: 近年, 3次元形状を正確に表現し, 学習する試みが増えている。 符号付き距離場と占有場は数十年古いが、閉曲面に制限されているにもかかわらず、どちらもよく研究された性質を持つ。 ニューラルネットワークでは、あらゆる種類の形状を表現するために、いくつかのバリエーションとトレーニング原則が提案されている。 本稿では,3次元空間における単位ベクトルを考慮し,ベクトル場(Vector Field, VF)と呼ぶ新奇かつ基本的な表現を開発し,各点で$\mathbb{R}^3$において,VFは表面上の最も近い点に向けられる。 理論上, vf はフラックス密度を計算し, 容易に表面密度に変換できることを示した。 他の標準表現とは異なり、VF は表面の重要な物理的性質を直接エンコードする。 さらに,vf表現の利点を,平面面と同様にオープン・クローズ・マルチレイヤーの学習において示している。 提案するニューラル暗黙的場は,任意の種類の形状を表現するのに優れた精度を示し,他の標準的な手法よりも優れている。 コードはhttps://github.com/edomel/implicitvfで入手できる。

関連論文リスト

• Statistical Edge Detection And UDF Learning For Shape Representation [1.9799527196428242]
  得られたニューラルUDFの元の3次元表面への忠実度を向上させるUDFの学習法を提案する。 表面縁周辺でのトレーニング点のサンプリングにより,トレーニング済みのニューラルUDFの局所的精度が向上することを示す。 本手法は局所的な幾何学的記述子よりも表面のエッジを高精度に検出する。
  論文  参考訳（メタデータ） (2024-05-06T11:40:57Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
  ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。 提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
  論文  参考訳（メタデータ） (2023-03-08T02:36:09Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Concentric Spherical GNN for 3D Representation Learning [53.45704095146161]
  同心球面特徴写像を学習するための新しい多解畳み込みアーキテクチャを提案する。 当社の階層的アーキテクチャは、球内情報と球間情報の両方を組み込むための代替学習に基づいています。 回転データを用いた3次元分類作業における最先端性能向上へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-18T19:05:04Z)
• DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation of Complex 3D Surfaces [8.104199886760275]
  DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。 この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。
  論文  参考訳（メタデータ） (2020-11-04T22:49:05Z)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。