論文の概要: Deformable Voxel Grids for Shape Comparisons

• arxiv url: http://arxiv.org/abs/2211.11609v1
• Date: Mon, 21 Nov 2022 16:04:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 23:22:36.714365
• Title: Deformable Voxel Grids for Shape Comparisons
• Title（参考訳）: 形状比較のための変形可能なボクセルグリッド
• Authors: Rapha\"el Groscot (CEREMADE), Laurent D. Cohen (CEREMADE)
• Abstract要約: 本稿では3次元形状比較処理のための変形可能なVoxel Grids(DVGs)を提案する。 エネルギー最小化により、形状のシルエットを近似するために変形するボクセル格子で構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Deformable Voxel Grids (DVGs) for 3D shapes comparison and processing. It consists of a voxel grid which is deformed to approximate the silhouette of a shape, via energy-minimization. By interpreting the DVG as a local coordinates system, it provides a better embedding space than a regular voxel grid, since it is adapted to the geometry of the shape. It also allows to deform the shape by moving the control points of the DVG, in a similar manner to the Free Form Deformation, but with easier interpretability of the control points positions. After proposing a computation scheme of the energies compatible with meshes and pointclouds, we demonstrate the use of DVGs in a variety of applications: correspondences via cubification, style transfer, shape retrieval and PCA deformations. The first two require no learning and can be readily run on any shapes in a matter of minutes on modest hardware. As for the last two, they require to first optimize DVGs on a collection of shapes, which amounts to a pre-processing step. Then, determining PCA coordinates is straightforward and brings a few parameters to deform a shape.
• Abstract（参考訳）: 本稿では3次元形状比較処理のための変形可能なVoxel Grids(DVGs)を提案する。 エネルギー最小化により、形状のシルエットを近似するために変形するボクセル格子で構成されている。 DVGを局所座標系として解釈することにより、形状の幾何学に適応するため、通常のボクセル格子よりも優れた埋め込み空間を提供する。 また、自由形状変形と同様にdvgの制御点を移動させることで形状を変形させることができるが、制御点位置の解釈が容易である。 メッシュやポイントクラウドと互換性のあるエネルギーの計算スキームを提案した後、様々な応用におけるdvgの使用を実証する: キュービゼーション、スタイル転送、形状検索、pca変形による対応。 最初の2つは学習を必要とせず、最小限のハードウェアで数分でどんな形状でも簡単に実行できる。 最後の2つについては、まずDVGを一連の形状で最適化する必要がある。 次に、PCA座標を決定することは簡単で、形状を変形させるパラメータがいくつか来る。

関連論文リスト

• Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
  RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。 RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。 RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
  論文  参考訳（メタデータ） (2024-04-17T08:09:25Z)
• Mosaic-SDF for 3D Generative Models [41.4585856558786]
  拡散モデルや流れモデルを3次元形状で訓練する場合、重要な設計選択は形状表現である。 与えられた形状の符号距離関数 (Signed Distance Function, SDF) を近似した単純な3次元形状表現であるMosaic-SDFを紹介する。 本稿では,M-SDF表現の有効性を3次元生成フローモデルのトレーニングに用いた。
  論文  参考訳（メタデータ） (2023-12-14T18:52:52Z)
• 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)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• DeepMetaHandles: Learning Deformation Meta-Handles of 3D Meshes with Biharmonic Coordinates [31.317344570058058]
  DeepMetaHandlesはメッシュ変形に基づく3D条件生成モデルである。 私たちは、与えられたハンドルの組み合わせとして表現される各形状のメタハンドルのセットを学びます。 新しい変形は、特定の範囲のメタハンドルの係数をサンプリングすることによって生成することができる。
  論文  参考訳（メタデータ） (2021-02-18T01:31:26Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)
• Instant recovery of shape from spectrum via latent space connections [33.83258865005668]
  ラプラシアンスペクトルから形状を復元する最初の学習法を提案する。 自動エンコーダが与えられた場合、我々のモデルはサイクル整合モジュールの形で潜在ベクトルを固有値列にマッピングする。 我々のデータ駆動型アプローチは、計算コストのごく一部でより正確な結果を提供しながら、事前の手法で必要となるアドホック正規化器の必要性を置き換える。
  論文  参考訳（メタデータ） (2020-03-14T00:48:34Z)

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。