論文の概要: NeuralMeshing: Differentiable Meshing of Implicit Neural Representations
- arxiv url: http://arxiv.org/abs/2210.02382v1
- Date: Wed, 5 Oct 2022 16:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:29:17.318047
- Title: NeuralMeshing: Differentiable Meshing of Implicit Neural Representations
- Title（参考訳）: NeuralMeshing: 意図しないニューラル表現の異なるメッシュ化
- Authors: Mathias Vetsch, Sandro Lombardi, Marc Pollefeys and Martin R. Oswald
- Abstract要約: ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
- 参考スコア（独自算出の注目度）: 63.18340058854517
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The generation of triangle meshes from point clouds, i.e. meshing, is a core
task in computer graphics and computer vision. Traditional techniques directly
construct a surface mesh using local decision heuristics, while some recent
methods based on neural implicit representations try to leverage data-driven
approaches for this meshing process. However, it is challenging to define a
learnable representation for triangle meshes of unknown topology and size and
for this reason, neural implicit representations rely on non-differentiable
post-processing in order to extract the final triangle mesh. In this work, we
propose a novel differentiable meshing algorithm for extracting surface meshes
from neural implicit representations. Our method produces the mesh in an
iterative fashion, which makes it applicable to shapes of various scales and
adaptive to the local curvature of the shape. Furthermore, our method produces
meshes with regular tessellation patterns and fewer triangle faces compared to
existing methods. Experiments demonstrate the comparable reconstruction
performance and favorable mesh properties over baselines.
- Abstract（参考訳）: 点雲、すなわちメッシュから三角形メッシュを生成することは、コンピュータグラフィックスとコンピュータビジョンにおける中核的なタスクである。
従来の手法は局所的な決定ヒューリスティックスを用いて表面メッシュを直接構築するが、ニューラルな暗黙表現に基づく最近の手法では、このメッシュ処理にデータ駆動アプローチを活用しようとする。
しかし、未知のトポロジと大きさの三角形メッシュの学習可能な表現を定義することは困難であり、そのため、ニューラルネットワークの暗黙表現は最終的な三角形メッシュを抽出するために非微分不可能な後処理に依存する。
本研究では,ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は, メッシュを反復的に生成し, 様々なスケールの形状に適用し, 形状の局所曲率に適応させる。
さらに,本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
実験は、ベースライン上でのリコンストラクション性能と好ましいメッシュ特性を実証する。
関連論文リスト
- SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳（メタデータ） (2022-02-16T21:24:54Z) - Differential Geometry in Neural Implicits [0.6198237241838558]
トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。
ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
論文 参考訳（メタデータ） (2022-01-23T13:40:45Z) - Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。
我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文 参考訳（メタデータ） (2021-10-11T17:24:52Z) - DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文 参考訳（メタデータ） (2021-06-20T20:12:41Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - MeshSDF: Differentiable Iso-Surface Extraction [45.769838982991736]
本稿では,Deep Signed Distance関数から表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
我々はこれを利用して、そのトポロジを変えることができるエンドツーエンドの差別化可能なメッシュ表現であるMeshSDFを定義します。
論文 参考訳（メタデータ） (2020-06-06T23:44:05Z)
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。