論文の概要: Neural Vector Fields: Implicit Representation by Explicit Learning

• arxiv url: http://arxiv.org/abs/2303.04341v1
• Date: Wed, 8 Mar 2023 02:36:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 15:18:57.516837
• Title: Neural Vector Fields: Implicit Representation by Explicit Learning
• Title（参考訳）: 神経ベクトル場:明示的学習による暗示表現
• Authors: Xianghui Yang, Guosheng Lin, Zhenghao Chen, Luping Zhou
• Abstract要約: ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、未符号距離関数(UDF)を暗黙的に表現することで、解像度とトポロジの障壁を突破する。 提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
• 参考スコア（独自算出の注目度）: 63.337294707047036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNNs) are widely applied for nowadays 3D surface reconstruction tasks and such methods can be further divided into two categories, which respectively warp templates explicitly by moving vertices or represent 3D surfaces implicitly as signed or unsigned distance functions. Taking advantage of both advanced explicit learning process and powerful representation ability of implicit functions, we propose a novel 3D representation method, Neural Vector Fields (NVF). It not only adopts the explicit learning process to manipulate meshes directly, but also leverages the implicit representation of unsigned distance functions (UDFs) to break the barriers in resolution and topology. Specifically, our method first predicts the displacements from queries towards the surface and models the shapes as \textit{Vector Fields}. Rather than relying on network differentiation to obtain direction fields as most existing UDF-based methods, the produced vector fields encode the distance and direction fields both and mitigate the ambiguity at "ridge" points, such that the calculation of direction fields is straightforward and differentiation-free. The differentiation-free characteristic enables us to further learn a shape codebook via Vector Quantization, which encodes the cross-object priors, accelerates the training procedure, and boosts model generalization on cross-category reconstruction. The extensive experiments on surface reconstruction benchmarks indicate that our method outperforms those state-of-the-art methods in different evaluation scenarios including watertight vs non-watertight shapes, category-specific vs category-agnostic reconstruction, category-unseen reconstruction, and cross-domain reconstruction. Our code will be publicly released.
• Abstract（参考訳）: 現在、ディープニューラルネットワーク(DNN)は3次元表面再構成タスクに広く適用されており、これらの手法はさらに2つのカテゴリに分けられる。 暗黙的関数の高度な学習プロセスと強力な表現能力を両立させ,ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。 メッシュを直接操作するために明示的な学習プロセスを採用するだけでなく、udf(unsigned distance function)の暗黙的な表現を活用して、解像度とトポロジーの障壁を破る。 具体的には,まずクエリから表面への変位を予測し,形状をtextit{Vector Fields} としてモデル化する。 生成ベクトル場は、既存のUDF法と同様に方向場を得るためにネットワーク微分に頼るのではなく、距離と方向場の両方を符号化し、方向場の計算が簡単で微分自由であるような「尾根」点におけるあいまいさを軽減する。 この微分自由特性により,クロスオブジェクト前処理を符号化し,トレーニング手順を高速化し,クロスカテゴリ再構築におけるモデルの一般化を促進するベクトル量子化により,形状コードブックをさらに学習することができる。 表面再構成ベンチマークの広範囲な実験は, 水密型と非水密型, カテゴリー固有型とカテゴリー非依存型, カテゴリー・アンセン型, クロスドメイン型など, 異なる評価シナリオにおいて, それらの最先端手法に勝ることを示す。 私たちのコードは公開されます。

関連論文リスト

• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Neural Vector Fields: Generalizing Distance Vector Fields by Codebooks and Zero-Curl Regularization [73.3605319281966]
  メッシュと暗黙的符号なし距離関数(UDF)を演算する明示的な学習プロセスを採用した新しい3D表現であるNeural Vector Fields (NVF)を提案する。 両NVFを水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・クロスドメイン化の4つのシナリオで評価した。
  論文  参考訳（メタデータ） (2023-09-04T10:42:56Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)
• DiGS : Divergence guided shape implicit neural representation for unoriented point clouds [36.60407995156801]
  形状暗黙的神経表現(INR)は近年,形状解析や再構成作業に有効であることが示されている。 本稿では,通常のベクトルを入力として必要としない分岐ガイド型形状表現学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T02:10:03Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• 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。