論文の概要: Neural Wavelet-domain Diffusion for 3D Shape Generation

• arxiv url: http://arxiv.org/abs/2209.08725v1
• Date: Mon, 19 Sep 2022 02:51:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 19:40:45.274364
• Title: Neural Wavelet-domain Diffusion for 3D Shape Generation
• Title（参考訳）: ニューラルウェーブレット領域拡散による3次元形状生成
• Authors: Ka-Hei Hui, Ruihui Li, Jingyu Hu, Chi-Wing Fu
• Abstract要約: 本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
• 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 presents a new approach for 3D shape generation, enabling direct generative modeling on a continuous implicit representation in wavelet domain. Specifically, we propose a compact wavelet representation with a pair of coarse and detail coefficient volumes to implicitly represent 3D shapes via truncated signed distance functions and multi-scale biorthogonal wavelets, and formulate a pair of neural networks: a generator based on the diffusion model to produce diverse shapes in the form of coarse coefficient volumes; and a detail predictor to further produce compatible detail coefficient volumes for enriching the generated shapes with fine structures and details. Both quantitative and qualitative experimental results manifest the superiority of our approach in generating diverse and high-quality shapes with complex topology and structures, clean surfaces, and fine details, exceeding the 3D generation capabilities of the state-of-the-art models.
• Abstract（参考訳）: 本稿では,ウェーブレット領域における連続的な暗黙表現に基づく直接生成モデルを実現する3次元形状生成手法を提案する。 Specifically, we propose a compact wavelet representation with a pair of coarse and detail coefficient volumes to implicitly represent 3D shapes via truncated signed distance functions and multi-scale biorthogonal wavelets, and formulate a pair of neural networks: a generator based on the diffusion model to produce diverse shapes in the form of coarse coefficient volumes; and a detail predictor to further produce compatible detail coefficient volumes for enriching the generated shapes with fine structures and details. 定量的・定性的な実験結果から, 複雑なトポロジーや構造, 清潔な表面, 精細な細部を含む多様で高品質な形状を生成できる手法は, 最先端モデルの3次元生成能力に勝ることが明らかとなった。

関連論文リスト

• Part-aware Shape Generation with Latent 3D Diffusion of Neural Voxel Fields [50.12118098874321]
  ニューラルボクセル場に対する潜在3次元拡散過程を導入し,高分解能で生成を可能にする。 部分符号を神経ボクセル場に統合し、正確な部分分解を導出するために、部分認識形状復号器を導入する。 その結果,既存の最先端手法よりも優れた部品認識形状生成において,提案手法の優れた生成能力を示した。
  論文  参考訳（メタデータ） (2024-05-02T04:31:17Z)
• GaussianCube: A Structured and Explicit Radiance Representation for 3D Generative Modeling [55.05713977022407]
  構造的かつ完全明快な放射率表現を導入し、3次元生成モデリングを大幅に促進する。 我々はまず,新しい密度制約付きガウス適合アルゴリズムを用いてガウスキューブを導出する。 非条件およびクラス条件オブジェクト生成、デジタルアバター生成、テキスト・トゥ・3Dによる実験は、我々のモデル合成が最先端の生成結果を達成することを示す。
  論文  参考訳（メタデータ） (2024-03-28T17:59:50Z)
• Topology-Aware Latent Diffusion for 3D Shape Generation [20.358373670117537]
  我々は,潜伏拡散と持続的ホモロジーを組み合わせた新しい生成モデルを導入し,高多様性の3次元形状を創出する。 提案手法では,3次元形状を暗黙の場として表現し,位相的特徴の抽出に永続的ホモロジーを用いる。
  論文  参考訳（メタデータ） (2024-01-31T05:13:53Z)
• Hybrid Neural Diffeomorphic Flow for Shape Representation and Generation via Triplane [16.684276798449115]
  HNDFは、基礎となる表現を暗黙的に学習し、複雑な高密度対応を明示的に軸整列三面体特徴に分解する手法である。 新しい3次元形状を直接生成する従来の手法とは異なり、微分同相流による変形テンプレート形状による形状生成の考え方を探求する。
  論文  参考訳（メタデータ） (2023-07-04T23:28:01Z)
• Pushing the Limits of 3D Shape Generation at Scale [65.24420181727615]
  我々は、前例のない次元に拡大することで、3次元形状生成において画期的なブレークスルーを示す。 現在までに最大の3次元形状生成モデルとしてArgus-3Dが確立されている。
  論文  参考訳（メタデータ） (2023-06-20T13:01:19Z)
• 3DQD: Generalized Deep 3D Shape Prior via Part-Discretized Diffusion Process [32.3773514247982]
  複数の3次元タスクに適した,一般化された3次元形状生成モデルを開発した。 設計は、提案した3次元形状先行モデルに高忠実度、多彩な特徴と、相互モダリティアライメントの能力を併用する。
  論文  参考訳（メタデータ） (2023-03-18T12:50:29Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
  本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。 具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。 エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
  論文  参考訳（メタデータ） (2023-02-01T02:47:53Z)
• 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)
• 3D Shape Generation and Completion through Point-Voxel Diffusion [24.824065748889048]
  3次元形状の確率的生成モデリングのための新しいアプローチを提案する。 Point-Voxel Diffusion (PVD) は、無条件形状生成と条件付き多モード形状完成のための統一的確率的定式化である。 PVDは、観測点雲データからガウスノイズへの拡散過程を逆転させ、(条件付き)確率関数に束縛された変動下限を最適化することにより、一連のデノナイズステップと見なすことができる。
  論文  参考訳（メタデータ） (2021-04-08T10:38:03Z)

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。