論文の概要: Neural Volumetric Mesh Generator

• arxiv url: http://arxiv.org/abs/2210.03158v1
• Date: Thu, 6 Oct 2022 18:46:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 12:58:32.555758
• Title: Neural Volumetric Mesh Generator
• Title（参考訳）: 神経容積メッシュ発生装置
• Authors: Yan Zheng, Lemeng Wu, Xingchao Liu, Zhen Chen, Qiang Liu, Qixing Huang
• Abstract要約: 新規かつ高品質なボリュームメッシュを生成することができるニューラルボリュームメッシュジェネレータ(NVMG)を提案する。 我々のパイプラインは、ランダムノイズや参照画像から、後処理なしで高品質なアーチファクトフリーのボリュームとサーフェスメッシュを生成することができる。
• 参考スコア（独自算出の注目度）: 40.224769507878904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have shown success in generating 3D shapes with different representations. In this work, we propose Neural Volumetric Mesh Generator(NVMG) which can generate novel and high-quality volumetric meshes. Unlike the previous 3D generative model for point cloud, voxel, and implicit surface, the volumetric mesh representation is a ready-to-use representation in industry with details on both the surface and interior. Generating this such highly-structured data thus brings a significant challenge. We first propose a diffusion-based generative model to tackle this problem by generating voxelized shapes with close-to-reality outlines and structures. We can simply obtain a tetrahedral mesh as a template with the voxelized shape. Further, we use a voxel-conditional neural network to predict the smooth implicit surface conditioned on the voxels, and progressively project the tetrahedral mesh to the predicted surface under regularizations. The regularization terms are carefully designed so that they can (1) get rid of the defects like flipping and high distortion; (2) force the regularity of the interior and surface structure during the deformation procedure for a high-quality final mesh. As shown in the experiments, our pipeline can generate high-quality artifact-free volumetric and surface meshes from random noise or a reference image without any post-processing. Compared with the state-of-the-art voxel-to-mesh deformation method, we show more robustness and better performance when taking generated voxels as input.
• Abstract（参考訳）: 深部生成モデルは、異なる表現を持つ3次元形状の生成に成功している。 本研究では,新しい,高品質なボリュームメッシュを生成するニューラルボリュームメッシュジェネレータ(NVMG)を提案する。 従来のポイントクラウド、ボクセル、暗黙の曲面の3次元生成モデルとは異なり、ボリュームメッシュの表現は、表面と内部の両方の詳細を備えた業界で使える表現である。 このような高度に構造化されたデータを生成することは、大きな課題をもたらす。 まず,この問題を解決するために拡散型生成モデルを提案し,近対現実の輪郭と構造を持つボクセル化形状を生成する。 ボキセル化形状のテンプレートとして四面体メッシュを簡便に得ることができる。 さらに,ボクセル条件付きニューラルネットワークを用いて,ボクセル上の滑らかな暗黙的表面を予測し,正則化下で4面体メッシュを予測面に段階的に投影する。 正則化項は(1)旋回や高歪みなどの欠陥を除去できるように慎重に設計され、(2)高品質な最終メッシュの変形過程において内部構造と表面構造の正則性を強制する。 実験で示したように、パイプラインは無作為なノイズや参照画像から、後処理なしで高品質なアーティファクトフリーボリュームと表面メッシュを生成することができる。 最新のvoxel-to-mesh変形法と比較して,生成したvoxelを入力として使用する場合,より頑健で優れた性能を示す。

関連論文リスト

• Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based View Synthesis [70.40950409274312]
  我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。 また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。 私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
  論文  参考訳（メタデータ） (2024-02-19T18:59:41Z)
• PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models [15.846449180313778]
  PolyDiffは、現実的で多様な3Dポリゴンメッシュを直接生成できる最初の拡散ベースのアプローチである。 我々のモデルは、下流3Dに統合可能な高品質な3D多角形メッシュを生成することができる。
  論文  参考訳（メタデータ） (2023-12-18T18:19:26Z)
• MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
  本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。 メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。 具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-14T17:59:01Z)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)
• 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)
• Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
  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。
  論文  参考訳（メタデータ） (2022-09-19T02:51:48Z)
• Adversarial Generation of Continuous Implicit Shape Representations [9.478108870211365]
  本研究は,符号付き距離表現に基づく3次元形状生成のための生成的対角アーキテクチャを提案する。 本研究では,ShapeNetベンチマークデータセットにアプローチをトレーニングし,定量的かつ質的に,現実的な3次元形状を生成する上での性能を評価する。
  論文  参考訳（メタデータ） (2020-02-02T08:20:42Z)

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。