論文の概要: Latent Partition Implicit with Surface Codes for 3D Representation

• arxiv url: http://arxiv.org/abs/2207.08631v2
• Date: Thu, 21 Jul 2022 02:22:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 10:29:36.476667
• Title: Latent Partition Implicit with Surface Codes for 3D Representation
• Title（参考訳）: 3次元表現のための表面符号による潜時分割
• Authors: Chao Chen, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 一つの3次元形状を潜在空間の部品の集合として表現する新しい暗黙表現を導入する。 我々は,グローバルな形状モデリングを複数の局所的な部分モデリングにキャストする能力から,Latent Partition Implicit (LPI) と名付けた。
• 参考スコア（独自算出の注目度）: 54.966603013209685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep implicit functions have shown remarkable shape modeling ability in various 3D computer vision tasks. One drawback is that it is hard for them to represent a 3D shape as multiple parts. Current solutions learn various primitives and blend the primitives directly in the spatial space, which still struggle to approximate the 3D shape accurately. To resolve this problem, we introduce a novel implicit representation to represent a single 3D shape as a set of parts in the latent space, towards both highly accurate and plausibly interpretable shape modeling. Our insight here is that both the part learning and the part blending can be conducted much easier in the latent space than in the spatial space. We name our method Latent Partition Implicit (LPI), because of its ability of casting the global shape modeling into multiple local part modeling, which partitions the global shape unity. LPI represents a shape as Signed Distance Functions (SDFs) using surface codes. Each surface code is a latent code representing a part whose center is on the surface, which enables us to flexibly employ intrinsic attributes of shapes or additional surface properties. Eventually, LPI can reconstruct both the shape and the parts on the shape, both of which are plausible meshes. LPI is a multi-level representation, which can partition a shape into different numbers of parts after training. LPI can be learned without ground truth signed distances, point normals or any supervision for part partition. LPI outperforms the latest methods under the widely used benchmarks in terms of reconstruction accuracy and modeling interpretability. Our code, data and models are available at https://github.com/chenchao15/LPI.
• Abstract（参考訳）: 深い暗黙関数は、様々な3dコンピュータビジョンタスクにおいて顕著な形状モデリング能力を示している。 1つの欠点は、3d形状を複数の部品として表現することが難しいことである。 現在の解は、様々なプリミティブを学習し、空間空間に直接プリミティブをブレンドする。 そこで本研究では, 潜在空間の部分集合として1つの3次元形状を表現するための新しい暗黙表現を, 高精度かつ解釈可能な形状モデリングに導入する。 ここでの私たちの洞察は、部分学習と部分ブレンディングの両方が、空間空間よりも潜在空間の方がずっと簡単に行えるということです。 提案手法は,グローバルな形状モデリングを複数の局所的な部分モデリングに流し込み,グローバルな形状統一を分割する能力から,LPI (Latent Partition Implicit) と命名する。 lpiは表面符号を用いた符号付き距離関数(sdfs)の形状を表す。 各曲面符号は, 中心が表面にある部分を表す潜在符号であり, 形状の固有特性や付加表面特性を柔軟に利用することができる。 最終的にLPIは、形状と形状上の部分の両方を再構築することができる。 LPIはマルチレベル表現であり、トレーニング後に形状を異なる数の部品に分割することができる。 LPIは、真実に署名された距離、点正規あるいは部分分割の監督なしに学習することができる。 LPIは、リコンストラクション精度とモデル解釈可能性の観点から、広く使われているベンチマークで最新の手法より優れている。 私たちのコード、データ、モデルはhttps://github.com/chenchao15/lpiで利用可能です。

関連論文リスト

• ShapeClipper: Scalable 3D Shape Learning from Single-View Images via Geometric and CLIP-based Consistency [39.7058456335011]
  実世界のRGB画像から3次元オブジェクト形状を再構成する新しい手法であるShapeClipperを提案する。 ShapeClipperは、単一ビュー分割画像の集合から形状再構成を学習する。 実世界の3つの挑戦的データセットに対して,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-13T03:53:12Z)
• 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)
• GIFS: Neural Implicit Function for General Shape Representation [23.91110763447458]
  3次元形状の一般インプリシット関数 (GIFS) は, 一般形状を表す新しい手法である。 3D空間を事前に定義された内側の領域に分割する代わりに、GIFSは2つの点が任意の表面で分離されているかどうかを符号化する。 ShapeNetの実験では、GIFSは再現性、レンダリング効率、視覚的忠実度の観点から、従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T17:29:20Z)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  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。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)
• Representing 3D Shapes with Probabilistic Directed Distance Fields [7.528141488548544]
  暗黙的なアーキテクチャ内での高速な微分可能なレンダリングを可能にする新しい形状表現を開発する。 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。 また, 単一形状の3次元画像モデリング, 単一画像再構成作業にも適用した。
  論文  参考訳（メタデータ） (2021-12-10T02:15:47Z)
• SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
  点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。 既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
  論文  参考訳（メタデータ） (2021-08-10T06:49:45Z)
• A-SDF: Learning Disentangled Signed Distance Functions for Articulated Shape Representation [62.517760545209065]
  A-SDF (Articulated Signed Distance Functions) を導入して, 曲面形状を表す。 本モデルでは, 部分点群や実世界深度画像など, 未知のデータへの一般化を実証する。
  論文  参考訳（メタデータ） (2021-04-15T17:53:54Z)
• Combining Implicit Function Learning and Parametric Models for 3D Human Reconstruction [123.62341095156611]
  深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。 このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。 詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:46:14Z)
• Local Implicit Grid Representations for 3D Scenes [24.331110387905962]
  本稿では,拡張性と汎用性のために設計された新しい3次元形状表現であるLocal Implicit Grid Representationsを紹介する。 我々はオートエンコーダを訓練し、その大きさで3次元形状の局所的な作物の埋め込みを学習する。 次に,デコーダを形状最適化のコンポーネントとして使用し,重なり合う作物の正規格子上の潜伏符号の集合を解く。
  論文  参考訳（メタデータ） (2020-03-19T18:58:13Z)

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。