論文の概要: Learning Joint Surface Atlases

• arxiv url: http://arxiv.org/abs/2206.06273v1
• Date: Mon, 13 Jun 2022 16:01:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 19:07:10.219697
• Title: Learning Joint Surface Atlases
• Title（参考訳）: 関節表面アトラスの学習
• Authors: Theo Deprelle, Thibault Groueix, Noam Aigerman, Vladimir G. Kim and Mathieu Aubry
• Abstract要約: 本稿では3次元表面のアトラス様表現を学習するための新しい手法について述べる。 任意の位相を持つ連続2次元領域を学習する。 両方向に一貫したマッピングを学習する。
• 参考スコア（独自算出の注目度）: 43.49538928674338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes new techniques for learning atlas-like representations of 3D surfaces, i.e. homeomorphic transformations from a 2D domain to surfaces. Compared to prior work, we propose two major contributions. First, instead of mapping a fixed 2D domain, such as a set of square patches, to the surface, we learn a continuous 2D domain with arbitrary topology by optimizing a point sampling distribution represented as a mixture of Gaussians. Second, we learn consistent mappings in both directions: charts, from the 3D surface to 2D domain, and parametrizations, their inverse. We demonstrate that this improves the quality of the learned surface representation, as well as its consistency in a collection of related shapes. It thus leads to improvements for applications such as correspondence estimation, texture transfer, and consistent UV mapping. As an additional technical contribution, we outline that, while incorporating normal consistency has clear benefits, it leads to issues in the optimization, and that these issues can be mitigated using a simple repulsive regularization. We demonstrate that our contributions provide better surface representation than existing baselines.
• Abstract（参考訳）: 本稿では,3次元表面のアトラス様表現,すなわち2次元領域から表面への準同型変換を学習するための新しい手法について述べる。 先行研究と比較して,2つの主要な貢献を提案する。 まず、正方形パッチなどの固定された2次元領域を表面にマッピングするのではなく、ガウスの混合として表される点サンプリング分布を最適化することにより任意の位相を持つ連続な2次元領域を学習する。 次に、3次元表面から2次元領域へのチャートと、その逆のパラメトリゼーションという、両方向の一貫性のあるマッピングを学習する。 これにより、学習した表面表現の品質が向上し、関連する形状の集合における一貫性が向上することを示す。 これにより、対応推定、テクスチャ転送、一貫性のあるuvマッピングなどのアプリケーションの改善につながる。 追加の技術的貢献として、通常の整合性の導入には明確なメリットがあるが、最適化の問題につながり、これらの問題は単純な反発正則化によって緩和できる、と概説する。 我々の貢献は、既存のベースラインよりも優れた表面表現を提供することを実証する。

関連論文リスト

• DreamMesh4D: Video-to-4D Generation with Sparse-Controlled Gaussian-Mesh Hybrid Representation [10.250715657201363]
  本稿では,メッシュ表現と幾何スキン技術を組み合わせた新しいフレームワークDreamMesh4Dを紹介し,モノクロビデオから高品質な4Dオブジェクトを生成する。 我々の手法は現代のグラフィックパイプラインと互換性があり、3Dゲームや映画産業におけるその可能性を示している。
  論文  参考訳（メタデータ） (2024-10-09T10:41:08Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• Improving neural implicit surfaces geometry with patch warping [12.106051690920266]
  これはニューラルネットワークによる高周波テクスチャの学習と描画が難しいことによるものだ、と私たちは主張する。 我々は、異なる視点で直接光一貫性項を標準のニューラルレンダリング最適化に追加することを提案する。 我々は、標準的なDTUおよびEPFLベンチマークでNeuralWarpと呼ばれるアプローチを評価し、両方のデータセットにおいて、教師なしの暗黙的表面再構成の状態を20%以上向上させることを示す。
  論文  参考訳（メタデータ） (2021-12-17T17:43:50Z)
• 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)
• DualConv: Dual Mesh Convolutional Networks for Shape Correspondence [44.94765770516059]
  畳み込みニューラルネットワークは2d画像で非常に成功し、3dボクセルデータを扱うために容易に拡張されている。 本稿では,これらのネットワークを三角メッシュの二重面表現に拡張する方法を検討する。 実験により,二重メッシュの近傍サイズの正則性を明示的に活用した畳み込みモデルの構築により,従来の手法と同等以上の形状表現を学習できることを実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:22:47Z)
• Coupling Explicit and Implicit Surface Representations for Generative 3D Modeling [41.79675639550555]
  本稿では,2つの相補的な形状表現を利用する3次元曲面を表現するニューラルアーキテクチャを提案する。 これら2つの表現は、新しい一貫性損失を導入することで相乗効果を得る。 我々のハイブリッドアーキテクチャの出力結果は、2つの等価な単一表現ネットワークの出力よりも優れている。
  論文  参考訳（メタデータ） (2020-07-20T17:24:51Z)
• Geometric Correspondence Fields: Learned Differentiable Rendering for 3D Pose Refinement in the Wild [96.09941542587865]
  野生の任意のカテゴリのオブジェクトに対する微分可能レンダリングに基づく新しい3次元ポーズ精細化手法を提案する。 このようにして、3DモデルとRGB画像のオブジェクトを正確に整列し、3Dポーズ推定を大幅に改善する。 我々は、Pix3Dデータセットの挑戦に対するアプローチを評価し、複数のメトリクスにおける最先端の精錬手法と比較して、最大55%の改善を実現した。
  論文  参考訳（メタデータ） (2020-07-17T12:34:38Z)

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。