論文の概要: 3PSDF: Three-Pole Signed Distance Function for Learning Surfaces with Arbitrary Topologies

• arxiv url: http://arxiv.org/abs/2205.15572v1
• Date: Tue, 31 May 2022 07:24:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 01:20:06.225303
• Title: 3PSDF: Three-Pole Signed Distance Function for Learning Surfaces with Arbitrary Topologies
• Title（参考訳）: 3PSDF:任意位相をもつ表面学習のための3極符号距離関数
• Authors: Weikai Chen, Cheng Lin, Weiyang Li, Bo Yang
• Abstract要約: 3極符号距離関数(3PSDF)と呼ばれる新しい学習可能な暗黙表現を提案する。 簡単なフィールド・ツー・メッシュ変換をサポートしながら、任意のトポロジーで非水密な3D形状を表現できる。 ヌルラベルによる消失勾配を気にせずに3PSDFを効果的に学習するための学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.609959464825636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in learning 3D shapes using neural implicit functions have achieved impressive results by breaking the previous barrier of resolution and diversity for varying topologies. However, most of such approaches are limited to closed surfaces as they require the space to be divided into inside and outside. More recent works based on unsigned distance function have been proposed to handle complex geometry containing both the open and closed surfaces. Nonetheless, as their direct outputs are point clouds, robustly obtaining high-quality meshing results from discrete points remains an open question. We present a novel learnable implicit representation, called the three-pole signed distance function (3PSDF), that can represent non-watertight 3D shapes with arbitrary topologies while supporting easy field-to-mesh conversion using the classic Marching Cubes algorithm. The key to our method is the introduction of a new sign, the NULL sign, in addition to the conventional in and out labels. The existence of the null sign could stop the formation of a closed isosurface derived from the bisector of the in/out regions. Further, we propose a dedicated learning framework to effectively learn 3PSDF without worrying about the vanishing gradient due to the null labels. Experimental results show that our approach outperforms the previous state-of-the-art methods in a wide range of benchmarks both quantitatively and qualitatively.
• Abstract（参考訳）: 神経的暗黙関数を用いた3次元形状学習の最近の進歩は、様々な位相の解像度と多様性の障壁を破ることで、印象的な結果を得た。 しかし、そのようなアプローチのほとんどは、空間を内側と外側に分割する必要があるため、閉曲面に限られる。 符号のない距離関数に基づく最近の研究は、開曲面と閉曲面の両方を含む複素幾何学を扱うために提案されている。 それでも、それらの直接出力はポイントクラウドであるため、離散的なポイントから高品質なメッシュ結果を堅牢に得ることは、未解決の問題である。 本稿では,従来のマーチングキューブアルゴリズムを用いて手軽なフィールド・ツー・メッシュ変換をサポートしながら,任意のトポロジで非水密な3次元形状を表現できる3極符号距離関数(3PSDF)を提案する。 提案手法の鍵は,従来のイン・アンド・アウトラベルに加えて,新しい符号であるNULL符号の導入である。 ヌル記号の存在は、イン/アウト領域のビセクターに由来する閉じた等方面の形成を止めることができる。 さらに,Nullラベルによる消失勾配を気にすることなく3PSDFを効果的に学習するための学習フレームワークを提案する。 実験結果から,本手法は従来手法よりも定量的,定性的に幅広いベンチマークにおいて優れていた。

関連論文リスト

• Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds [34.774577477968805]
  幾何学的詳細を保存しながら暗黙の場を滑らかにする非線形暗黙フィルタを提案する。 我々の新規性は、符号付き距離場の勾配で隣接する入力点によって曲面(ゼロレベル集合)をフィルタリングできることにある。 入力された原点雲を勾配に沿って移動させることで、提案した暗黙のフィルタリングを非ゼロレベル集合に拡張することができる。
  論文  参考訳（メタデータ） (2024-07-18T09:40:24Z)
• Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。 ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
  論文  参考訳（メタデータ） (2024-04-03T14:05:39Z)
• 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)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• 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)
• 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)
• 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)

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。