論文の概要: Dr. KID: Direct Remeshing and K-set Isometric Decomposition for Scalable Physicalization of Organic Shapes

• arxiv url: http://arxiv.org/abs/2304.02941v1
• Date: Thu, 6 Apr 2023 08:56:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 14:47:37.426443
• Title: Dr. KID: Direct Remeshing and K-set Isometric Decomposition for Scalable Physicalization of Organic Shapes
• Title（参考訳）: 有機形状のスケーラブルな物理化のための直接リメッシングとK-set等尺分解
• Authors: Dawar Khan, Ciril Bohak, Ivan Viola
• Abstract要約: KID(Dr. KID)は、ジャガイモ形有機モデルの物理化に等尺分解を用いるアルゴリズムである。 クラスタリングには、距離関数として定義される三角形間の類似性が必要である。 よりスムーズな結果を得るために、三角形の分割と曲率を意識したクラスタリングを用い、3Dプリンティングのために曲面の三角形パッチを生成する。
• 参考スコア（独自算出の注目度）: 5.385289130801911
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Dr. KID is an algorithm that uses isometric decomposition for the physicalization of potato-shaped organic models in a puzzle fashion. The algorithm begins with creating a simple, regular triangular surface mesh of organic shapes, followed by iterative k-means clustering and remeshing. For clustering, we need similarity between triangles (segments) which is defined as a distance function. The distance function maps each triangle's shape to a single point in the virtual 3D space. Thus, the distance between the triangles indicates their degree of dissimilarity. K-means clustering uses this distance and sorts of segments into k classes. After this, remeshing is applied to minimize the distance between triangles within the same cluster by making their shapes identical. Clustering and remeshing are repeated until the distance between triangles in the same cluster reaches an acceptable threshold. We adopt a curvature-aware strategy to determine the surface thickness and finalize puzzle pieces for 3D printing. Identical hinges and holes are created for assembling the puzzle components. For smoother outcomes, we use triangle subdivision along with curvature-aware clustering, generating curved triangular patches for 3D printing. Our algorithm was evaluated using various models, and the 3D-printed results were analyzed. Findings indicate that our algorithm performs reliably on target organic shapes with minimal loss of input geometry.
• Abstract（参考訳）: KID(Dr. KID)は、ジャガイモ形有機モデルの物理化に等尺分解を用いるアルゴリズムである。 アルゴリズムは、有機形状の単純な正三角形の表面メッシュを作成し、続いて反復的なk平均クラスタリングとリメッシングを行う。 クラスタリングには、距離関数として定義される三角形(セグメント)間の類似性が必要である。 距離関数は、それぞれの三角形の形状を仮想3次元空間の単一点にマッピングする。 したがって、三角形間の距離は、その相似性の程度を示す。 K平均クラスタリングはこの距離とセグメントをkクラスに分類する。 その後、その形状を同一にすることで、同じクラスタ内の三角形間の距離を最小化するためにリメッシングを適用する。 クラスタリングとリメッシングは、同じクラスタ内の三角形間の距離が許容しきい値に達するまで繰り返される。 曲面厚みを判定し,3dプリンティングのためのパズルピースを仕上げるために,曲率認識手法を採用する。 パズルの部品を組み立てるために同じヒンジと穴が作られる。 よりスムーズな結果を得るためには、三角形の分割と曲率を考慮したクラスタリングを用い、3Dプリンティングのための曲面三角形パッチを生成する。 本アルゴリズムは, 各種モデルを用いて評価し, 3Dプリントによる解析を行った。 提案アルゴリズムは,入力幾何学の損失を最小限に抑えつつ,目的の有機形状に対して確実に動作することを示す。

関連論文リスト

• 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)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
  3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。 我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。 我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-23T03:32:57Z)
• Approximate Convex Decomposition for 3D Meshes with Collision-Aware Concavity and Tree Search [23.52274863244624]
  近似凸分解は、3次元形状をほぼ凸成分の集合に分解することを目的としている。 ゲームエンジン、物理シミュレーション、アニメーションで広く使われている。 本稿では,既存のアプローチの限界を3つの視点から解決する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-05T23:40:15Z)
• 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)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)
• 3D Shape Segmentation with Geometric Deep Learning [2.512827436728378]
  本稿では,部分分割問題としてセグメント化全体を解くために,3次元形状の3次元拡張ビューを生成するニューラルネットワークベースのアプローチを提案する。 提案手法は,公開データセットの3次元形状と,フォトグラム法を用いて再構成した実物体を用いて検証する。
  論文  参考訳（メタデータ） (2020-02-02T14:11:16Z)

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。