論文の概要: Neural Implicit Shape Editing using Boundary Sensitivity
- arxiv url: http://arxiv.org/abs/2304.12951v1
- Date: Mon, 24 Apr 2023 13:04:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 19:57:42.685127
- Title: Neural Implicit Shape Editing using Boundary Sensitivity
- Title(参考訳): 境界感度を用いた神経陰影形状編集
- Authors: Arturs Berzins, Moritz Ibing, Leif Kobbelt
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 12.621108702820313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural fields are receiving increased attention as a geometric representation
due to their ability to compactly store detailed and smooth shapes and easily
undergo topological changes. Compared to classic geometry representations,
however, neural representations do not allow the user to exert intuitive
control over the shape. Motivated by this, we leverage boundary sensitivity to
express how perturbations in parameters move the shape boundary. This allows to
interpret the effect of each learnable parameter and study achievable
deformations. With this, we perform geometric editing: finding a parameter
update that best approximates a globally prescribed deformation. Prescribing
the deformation only locally allows the rest of the shape to change according
to some prior, such as semantics or deformation rigidity. Our method is
agnostic to the model its training and updates the NN in-place. Furthermore, we
show how boundary sensitivity helps to optimize and constrain objectives (such
as surface area and volume), which are difficult to compute without first
converting to another representation, such as a mesh.
- Abstract(参考訳): ニューラルネットワークは、詳細に滑らかな形状をコンパクトに保存し、トポロジカルな変化を容易に受けられるため、幾何学的表現として注目されている。
しかし、従来の幾何学的表現と比較すると、ニューラル表現はユーザーが形状を直感的に制御できない。
これにより, 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。
これにより、各学習可能なパラメータの効果を解釈し、達成可能な変形を研究することができる。
これにより,グローバルに定められた変形を最もよく近似するパラメータ更新を見つけることで,幾何学的な編集を行う。
変形を局所的にのみ記述することで、他の形状は、セマンティクスや変形剛性など、何らかの事前に変化させることができる。
本手法はトレーニング対象のモデルに非依存であり,NNをその場で更新する。
さらに,境界感度が,メッシュなどの他の表現に変換することなく計算が困難である対象(表面積や体積など)の最適化と制約にどのように役立つかを示す。
関連論文リスト
- 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 Shape Deformation Priors [14.14047635248036]
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。
論文 参考訳(メタデータ) (2022-10-11T17:03:25Z) - 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) - Revisiting Transformation Invariant Geometric Deep Learning: Are Initial
Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。
具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。
我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文 参考訳(メタデータ) (2021-12-23T03:52:33Z) - Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。
本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-03T06:41:19Z) - 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) - NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。
これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
論文 参考訳(メタデータ) (2020-04-06T20:46:37Z)
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。