論文の概要: NeuralODF: Learning Omnidirectional Distance Fields for 3D Shape Representation

• arxiv url: http://arxiv.org/abs/2206.05837v1
• Date: Sun, 12 Jun 2022 20:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 03:41:46.144776
• Title: NeuralODF: Learning Omnidirectional Distance Fields for 3D Shape Representation
• Title（参考訳）: NeuralODF:3次元形状表現のための一方向距離場学習
• Authors: Trevor Houchens, Cheng-You Lu, Shivam Duggal, Rao Fu, Srinath Sridhar
• Abstract要約: ビジュアルコンピューティングでは、3D幾何はメッシュ、点雲、ボクセルグリッド、レベルセット、深度画像など様々な形で表現される。 オムニ距離場(Omni Distance Fields, ODFs)は, 物体表面の深度を任意の3次元位置から任意の視方向から保存することにより, 形状を符号化する新しい3次元形状表現である。
• 参考スコア（独自算出の注目度）: 7.208066405543874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In visual computing, 3D geometry is represented in many different forms including meshes, point clouds, voxel grids, level sets, and depth images. Each representation is suited for different tasks thus making the transformation of one representation into another (forward map) an important and common problem. We propose Omnidirectional Distance Fields (ODFs), a new 3D shape representation that encodes geometry by storing the depth to the object's surface from any 3D position in any viewing direction. Since rays are the fundamental unit of an ODF, it can be used to easily transform to and from common 3D representations like meshes or point clouds. Different from level set methods that are limited to representing closed surfaces, ODFs are unsigned and can thus model open surfaces (e.g., garments). We demonstrate that ODFs can be effectively learned with a neural network (NeuralODF) despite the inherent discontinuities at occlusion boundaries. We also introduce efficient forward mapping algorithms for transforming ODFs to and from common 3D representations. Specifically, we introduce an efficient Jumping Cubes algorithm for generating meshes from ODFs. Experiments demonstrate that NeuralODF can learn to capture high-quality shape by overfitting to a single object, and also learn to generalize on common shape categories.
• Abstract（参考訳）: ビジュアルコンピューティングでは、3d幾何学はメッシュ、点雲、ボクセルグリッド、レベルセット、深度画像など様々な形で表現される。 各表現は異なるタスクに適しており、ある表現を別の(前方マップ)への変換を重要かつ共通の問題とする。 物体表面の深度を任意の3次元方向の位置から保存することにより、形状を符号化する新しい3次元形状表現であるOmnidirectional Distance Fields (ODFs)を提案する。 レイはODFの基本単位であるため、メッシュやポイントクラウドといった一般的な3D表現への変換が容易である。 閉曲面の表現に制限されるレベル集合法とは異なり、odfは無符号で開曲面(例えば衣服)をモデル化することができる。 我々は,オクルージョン境界における固有不連続性にもかかわらず,ニューラルネットワーク(NeuralODF)を用いてODFを効果的に学習できることを実証した。 また,odfを共通の3次元表現に変換する効率的なフォワードマッピングアルゴリズムも導入する。 具体的には,ODFからメッシュを生成するための効率的なJumping Cubesアルゴリズムを提案する。 実験により、NeuralODFは1つのオブジェクトにオーバーフィットすることで高品質な形状を捉えることを学び、また共通の形状のカテゴリを一般化することを学ぶことができる。

関連論文リスト

• Gradient Distance Function [52.615859148238464]
  また,GDF (Gradient Distance Function) は表面上での微分可能でありながら,開口面を表現可能であることを示す。 これは、ノルムが表面への符号のない距離である3Dベクトルをそれぞれ3Dポイントに関連付けることによって行われる。 本稿では,ShapeNet Car,Multi-Garment,および3D-SceneデータセットにおけるGDFの有効性を示す。
  論文  参考訳（メタデータ） (2024-10-29T18:04:01Z)
• Probabilistic Directed Distance Fields for Ray-Based Shape Representations [8.134429779950658]
  Directed Distance Fields (DDF) は、古典的な距離場の上に構築された新しいニューラルな形状表現である。 基礎分野における本質的な不連続性をモデル化する方法を示す。 次に, 単一形状のフィッティング, 生成モデリング, 単一像の3次元再構成など, DDFを応用した。
  論文  参考訳（メタデータ） (2024-04-13T21:02:49Z)
• UDiFF: Generating Conditional Unsigned Distance Fields with Optimal Wavelet Diffusion [51.31220416754788]
  UDiFFは非符号距離場(UDF)の3次元拡散モデルであり,テキスト条件や非条件条件から開面を有するテクスチャ化された3次元形状を生成することができる。 我々のキーとなるアイデアは、UDF生成のためのコンパクトな表現空間を生成する最適なウェーブレット変換を用いて、空間周波数領域でUDFを生成することである。
  論文  参考訳（メタデータ） (2024-04-10T09:24:54Z)
• Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes [29.65562721329593]
  本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。 UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。 本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-03T06:58:35Z)
• FIRe: Fast Inverse Rendering using Directional and Signed Distance Functions [97.5540646069663]
  指向性距離関数(DDF)と呼ばれる新しいニューラルシーン表現を導入する。 DDFは単位球上で定義され、任意の方向に沿って表面までの距離を予測する。 提案手法はDDFに基づいて,提案した深度マップから3次元形状を再構成する高速アルゴリズム (FIRe) を提案する。
  論文  参考訳（メタデータ） (2022-03-30T13:24:04Z)
• High-fidelity 3D Model Compression based on Key Spheres [6.59007277780362]
  明示的な鍵球を入力として用いたSDF予測ネットワークを提案する。 提案手法は,高忠実かつ高圧縮な3次元オブジェクトの符号化と再構成を実現する。
  論文  参考訳（メタデータ） (2022-01-19T09:21:54Z)
• 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)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)
• 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。