論文の概要: Isomorphic mesh generation from point clouds with multilayer perceptrons

• arxiv url: http://arxiv.org/abs/2210.14157v1
• Date: Fri, 21 Oct 2022 08:37:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 15:15:12.661499
• Title: Isomorphic mesh generation from point clouds with multilayer perceptrons
• Title（参考訳）: 多層パーセプトロンを持つ点雲からの等相メッシュ生成
• Authors: Shoko Miyauchi, Ken'ichi Morooka, Ryo Kurazume
• Abstract要約: 我々はアイソモーフィックメッシュジェネレータ(iMG)と呼ばれる新しいニューラルネットワークを提案する。 iMGはノイズと欠落部分を含む点雲から同型メッシュを生成する。
• 参考スコア（独自算出の注目度）: 1.8756710915110633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new neural network, called isomorphic mesh generator (iMG), which generates isomorphic meshes from point clouds containing noise and missing parts. Isomorphic meshes of arbitrary objects have a unified mesh structure even though the objects belong to different classes. This unified representation enables surface models to be handled by DNNs. Moreover, the unified mesh structure of isomorphic meshes enables the same process to be applied to all isomorphic meshes; although in the case of general mesh models, we need to consider the processes depending on their mesh structures. Therefore, the use of isomorphic meshes leads to efficient memory usage and calculation time compared with general mesh models. As iMG is a data-free method, preparing any point clouds as training data in advance is unnecessary, except a point cloud of the target object used as the input data of iMG. Additionally, iMG outputs an isomorphic mesh obtained by mapping a reference mesh to a given input point cloud. To estimate the mapping function stably, we introduce a step-by-step mapping strategy. This strategy achieves a flexible deformation while maintaining the structure of the reference mesh. From simulation and experiments using a mobile phone, we confirmed that iMG can generate isomorphic meshes of given objects reliably even when the input point cloud includes noise and missing parts.
• Abstract（参考訳）: 本稿では,ノイズや欠落部分を含む点群から同型メッシュを生成する,isomorphic mesh generator (img)と呼ばれる新しいニューラルネットワークを提案する。 任意の対象の同型メッシュは、異なるクラスに属するにもかかわらず、統一メッシュ構造を持つ。 この統一表現により、サーフェスモデルをDNNで処理できる。 さらに、同型メッシュの統一メッシュ構造は、すべての同型メッシュに同じプロセスを適用することを可能にするが、一般的なメッシュモデルの場合、メッシュ構造に依存するプロセスを考慮する必要がある。 したがって、同型メッシュの使用は、一般的なメッシュモデルと比較して効率的なメモリ使用量と計算時間をもたらす。 iMGはデータフリーの手法であるため、iMGの入力データとして使用される対象オブジェクトの点雲を除いて、事前のトレーニングデータとして任意の点雲を作成することは不要である。 さらに、iMGは、基準メッシュを所定の入力ポイントクラウドにマッピングした同型メッシュを出力する。 マッピング関数を安定して推定するために,ステップバイステップマッピング戦略を提案する。 この戦略は参照メッシュの構造を維持しながら柔軟な変形を実現する。 携帯電話を用いたシミュレーションと実験により,入力点雲にノイズや欠落部分が含まれている場合でも,iMGは対象物の異形メッシュを確実に生成できることを確認した。

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 Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T02:51:38Z)
• A Learning-based Framework for Topology-Preserving Segmentation using Quasiconformal Mappings [3.4798343542796593]
  画像中の物体を位相特性を維持しながら抽出できる変形モデルを提案する。 このネットワークは、限られたデータでトレーニングされた場合でも、テンプレートマスクと同じトポロジを持つセグメンテーションマスクを生成する。
  論文  参考訳（メタデータ） (2022-10-07T03:13:35Z)
• Coarse-to-fine Animal Pose and Shape Estimation [67.39635503744395]
  単一画像から3次元動物メッシュを再構成する粗大なアプローチを提案する。 粗い推定段階はまずSMALモデルのポーズ、形状、翻訳パラメータを推定する。 次に、推定メッシュをグラフ畳み込みネットワーク(GCN)によって開始点として使用し、精製段階における頂点毎の変形を予測する。
  論文  参考訳（メタデータ） (2021-11-16T01:27:20Z)
• Learning Feature Aggregation for Deep 3D Morphable Models [57.1266963015401]
  階層レベルで機能集約を向上するためのマッピング行列を学習するための注意に基づくモジュールを提案する。 実験の結果,マッピング行列のエンドツーエンドトレーニングにより,様々な3次元形状データセットの最先端結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-05T16:41:00Z)
• 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)
• Neural Mesh Flow: 3D Manifold Mesh Generation via Diffeomorphic Flows [79.39092757515395]
  ニューラルメッシュフロー (NMF) を用いて, 種数0の2次元メッシュを生成する。 NMFは数個のニューラル正規微分方程式(NODE)ブロックからなる形状自動エンコーダで、球面メッシュを段階的に変形させることで正確なメッシュ形状を学習する。 実験の結果,NMFは単一視点メッシュ再構成,大域的な形状パラメータ化,テクスチャマッピング,形状変形,対応性など,いくつかの応用に役立つことがわかった。
  論文  参考訳（メタデータ） (2020-07-21T17:45:41Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。