論文の概要: Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes
- arxiv url: http://arxiv.org/abs/2206.04942v1
- Date: Fri, 10 Jun 2022 08:32:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 15:08:22.361532
- Title: Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes
- Title（参考訳）: ニューラルテンプレート:3次元メッシュのトポロジー認識再構成とアンタングル生成
- Authors: Ka-Hei Hui, Ruihui Li, Jingyu Hu, Chi-Wing Fu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 52.038346313823524
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper introduces a novel framework called DTNet for 3D mesh
reconstruction and generation via Disentangled Topology. Beyond previous works,
we learn a topology-aware neural template specific to each input then deform
the template to reconstruct a detailed mesh while preserving the learned
topology. One key insight is to decouple the complex mesh reconstruction into
two sub-tasks: topology formulation and shape deformation. Thanks to the
decoupling, DT-Net implicitly learns a disentangled representation for the
topology and shape in the latent space. Hence, it can enable novel disentangled
controls for supporting various shape generation applications, e.g., remix the
topologies of 3D objects, that are not achievable by previous reconstruction
works. Extensive experimental results demonstrate that our method is able to
produce high-quality meshes, particularly with diverse topologies, as compared
with the state-of-the-art methods.
- Abstract（参考訳）: 本稿では,3次元メッシュ再構成のためのdtnetと呼ばれる新しいフレームワークを提案する。
これまでの研究以外にも、各入力に特有のトポロジ認識ニューラルネットワークテンプレートを学習し、学習したトポロジを維持しながら、テンプレートを変形して詳細なメッシュを再構築する。
1つの重要な洞察は、複雑なメッシュ再構成を2つのサブタスクに分離することである。
このデカップリングのおかげで、DT-Netは潜在空間における位相と形状の非絡み合い表現を暗黙的に学習する。
これにより、従来の復元作業では実現不可能な3Dオブジェクトのトポロジをリミックスするなど、様々な形状生成アプリケーションをサポートするための新しいアンタングル制御が可能となる。
広範な実験結果から,本手法は最先端手法と比較して,高品質なメッシュ,特に多様なトポロジーを生成できることが判明した。
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) - GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。
本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。
我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
論文 参考訳（メタデータ） (2024-02-26T20:00:57Z) - DiViNeT: 3D Reconstruction from Disparate Views via Neural Template
Regularization [7.488962492863031]
本稿では3つの異なるRGB画像を入力として用いたボリュームレンダリングに基づくニューラルサーフェス再構成手法を提案する。
我々のキーとなる考え方は再建を規則化することであり、これは深刻な問題であり、スパースビューの間に大きなギャップを埋めることである。
提案手法は, 従来の手法の中でも, 疎外な視点で, 最高の復元品質を達成できる。
論文 参考訳（メタデータ） (2023-06-07T18:05:14Z) - Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。
本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。
我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
論文 参考訳（メタデータ） (2022-08-04T14:13:35Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳（メタデータ） (2021-11-08T05:29:35Z) - 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) - Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible
Neural Networks [118.20778308823779]
Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。
私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
論文 参考訳（メタデータ） (2021-03-18T17:59:31Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳（メタデータ） (2020-11-03T02:57:01Z) - STD-Net: Structure-preserving and Topology-adaptive Deformation Network
for 3D Reconstruction from a Single Image [27.885717341244014]
単一のビューイメージからの3D再構成は、コンピュータビジョンにおける長年の進歩である。
本稿では,メッシュ表現を用いた3次元モデル再構築のためのSTD-Netを提案する。
ShapeNetの画像による実験結果から, 提案したSTD-Netは, 3Dオブジェクトを再構成する他の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-03-07T11:02:47Z)
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。