論文の概要: Neural Shape Deformation Priors

• arxiv url: http://arxiv.org/abs/2210.05616v1
• Date: Tue, 11 Oct 2022 17:03:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:39:19.672858
• Title: Neural Shape Deformation Priors
• Title（参考訳）: ニューラル形状変形前駆体
• Authors: Jiapeng Tang, Lev Markhasin, Bi Wang, Justus Thies, Matthias Nie{\ss}ner
• Abstract要約: 本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
• 参考スコア（独自算出の注目度）: 14.14047635248036
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present Neural Shape Deformation Priors, a novel method for shape manipulation that predicts mesh deformations of non-rigid objects from user-provided handle movements. State-of-the-art methods cast this problem as an optimization task, where the input source mesh is iteratively deformed to minimize an objective function according to hand-crafted regularizers such as ARAP. In this work, we learn the deformation behavior based on the underlying geometric properties of a shape, while leveraging a large-scale dataset containing a diverse set of non-rigid deformations. Specifically, given a source mesh and desired target locations of handles that describe the partial surface deformation, we predict a continuous deformation field that is defined in 3D space to describe the space deformation. To this end, we introduce transformer-based deformation networks that represent a shape deformation as a composition of local surface deformations. It learns a set of local latent codes anchored in 3D space, from which we can learn a set of continuous deformation functions for local surfaces. Our method can be applied to challenging deformations and generalizes well to unseen deformations. We validate our approach in experiments using the DeformingThing4D dataset, and compare to both classic optimization-based and recent neural network-based methods.
• Abstract（参考訳）: 本稿では,ユーザのハンドル動作から非剛性物体のメッシュ変形を予測する新しい形状操作法であるneural shape deformation priorsを提案する。 最先端の手法は、この問題を最適化タスクとみなし、入力源メッシュはARAPのような手作りの正規化器に従って目的関数を最小化するために反復的に変形する。 本研究では,非剛性変形の多種多様な集合を含む大規模データセットを活用して,形状の幾何学的性質に基づいて変形挙動を学習する。 具体的には, ソースメッシュと, 部分的表面変形を記述するハンドルの所望の目標位置を与えられた場合, 空間変形を記述するために3次元空間で定義される連続的変形場を予測する。 そこで本研究では, 形状変形を局所的表面変形の合成として表現する変圧器型変形ネットワークを提案する。 3次元空間に固定された局所潜伏符号の集合を学習し、そこから局所曲面の連続変形関数の集合を学ぶことができる。 本手法は, 挑戦的変形に適用でき, 未発見の変形に対してよく一般化できる。 DeformingThing4Dデータセットを用いて実験を行い,従来の最適化手法と最近のニューラルネットワーク手法との比較を行った。

関連論文リスト

• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• DragD3D: Realistic Mesh Editing with Rigidity Control Driven by 2D Diffusion Priors [10.355568895429588]
  ダイレクトメッシュの編集と変形は、幾何学的モデリングとアニメーションパイプラインの重要なコンポーネントである。 正規化器は、オブジェクトのグローバルなコンテキストとセマンティクスを意識していない。 我々の変形を制御して,グローバルな文脈を意識した現実的な形状の変形を生成できることが示される。
  論文  参考訳（メタデータ） (2023-10-06T19:55:40Z)
• Neural Implicit Shape Editing using Boundary Sensitivity [12.621108702820313]
  パラメータの摂動が形状境界をどう移動するかを表現するために境界感度を利用する。 これを用いて幾何学的編集を行い、グローバルに規定された変形を最もよく近似するパラメータ更新を求める。
  論文  参考訳（メタデータ） (2023-04-24T13:04:15Z)
• Deforming Radiance Fields with Cages [65.57101724686527]
  自由形放射場変形という新しい種類の放射場変形を提案する。 我々は、インターフェイスとしてケージと呼ばれる前景オブジェクトを囲む三角形のメッシュを使用します。 変形した空間から標準空間へのサンプリング点の位置と視線方向をマッピングする放射場に拡張する新しい定式化を提案する。
  論文  参考訳（メタデータ） (2022-07-25T16:08:55Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)
• Disentangling Geometric Deformation Spaces in Generative Latent Shape Models [5.582957809895198]
  3Dオブジェクトの完全な表現には、解釈可能な方法で変形の空間を特徴づける必要がある。 本研究では,物体形状の空間を剛性方向,非剛性ポーズ,内在的な形状に分解する3次元形状の不整合の事前生成モデルを改善する。 得られたモデルは生の3D形状からトレーニングできる。
  論文  参考訳（メタデータ） (2021-02-27T06:54:31Z)
• ShapeFlow: Learnable Deformations Among 3D Shapes [28.854946339507123]
  本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。 ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
  論文  参考訳（メタデータ） (2020-06-14T19:03:35Z)

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。