論文の概要: Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2305.00635v1
- Date: Mon, 1 May 2023 02:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 14:10:47.258305
- Title: Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph
Convolutional Networks
- Title(参考訳): 自己教師付きグラフ畳み込みネットワークを用いたメッシュインペインティングの学習
- Authors: Shota Hattori, Tatsuya Yatagawa, Yutaka Ohtake, Hiromasa Suzuki
- Abstract要約: 本研究では、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, 形状を中間体に変換することなく, 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study presents a self-prior-based mesh inpainting framework that
requires only an incomplete mesh as input, without the need for any training
datasets. Additionally, our method maintains the polygonal mesh format
throughout the inpainting process without converting the shape format to an
intermediate, such as a voxel grid, a point cloud, or an implicit function,
which are typically considered easier for deep neural networks to process. To
achieve this goal, we introduce two graph convolutional networks (GCNs):
single-resolution GCN (SGCN) and multi-resolution GCN (MGCN), both trained in a
self-supervised manner. Our approach refines a watertight mesh obtained from
the initial hole filling to generate a completed output mesh. Specifically, we
train the GCNs to deform an oversmoothed version of the input mesh into the
expected completed shape. To supervise the GCNs for accurate vertex
displacements, despite the unknown correct displacements at real holes, we
utilize multiple sets of meshes with several connected regions marked as fake
holes. The correct displacements are known for vertices in these fake holes,
enabling network training with loss functions that assess the accuracy of
displacement vectors estimated by the GCNs. We demonstrate that our method
outperforms traditional dataset-independent approaches and exhibits greater
robustness compared to other deep-learning-based methods for shapes that less
frequently appear in shape datasets.
- Abstract(参考訳): 本研究では,データセットをトレーニングすることなく,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メッシュインペインティングフレームワークを提案する。
さらに,本手法は, ディープニューラルネットワークの処理が容易と考えられるボクセルグリッドやポイントクラウド, 暗黙関数など, 形状フォーマットを中間体に変換することなく, 塗装工程を通して多角形メッシュフォーマットを維持する。
この目的を達成するために、単分解能GCN(SGCN)と多分解能GCN(MGCN)の2つのグラフ畳み込みネットワーク(GCN)を導入する。
提案手法では,初期穴充填から得られた水密メッシュを改良し,出力メッシュを生成する。
具体的には、GCNをトレーニングして、入力メッシュの過度なバージョンを、期待される完成形に変形させる。
実孔での正確な変位が不明なにもかかわらず,GCNの正確な頂点変位を監視するために,複数の連結領域を偽孔として利用した。
正しい変位はこれらの偽の穴の頂点で知られており、GCNによって推定される変位ベクトルの精度を評価する損失関数によるネットワークトレーニングを可能にする。
本手法は,従来のデータセット非依存アプローチよりも優れており,形状データセットに出現頻度の低い他のディープラーニング方式に比べて頑健であることを示す。
関連論文リスト
- Identification of vortex in unstructured mesh with graph neural networks [0.0]
本稿では,非構造化メッシュ上でのCFD結果の渦を特定するために,U-Netアーキテクチャを用いたグラフニューラルネットワーク(GNN)に基づくモデルを提案する。
2次元CFDメッシュにおける渦領域をラベル付けするための渦自動ラベル法を提案する。
論文 参考訳(メタデータ) (2023-11-11T12:10:16Z) - GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。
本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。
提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文 参考訳(メタデータ) (2022-10-19T17:56:03Z) - Graph-Guided Deformation for Point Cloud Completion [35.10606375236494]
本稿では,入力データと中間生成を制御および支持点とみなすグラフガイド変形ネットワークを提案する。
我々の重要な洞察は、メッシュ変形法による最小2乗ラプラシア変形過程をシミュレートすることであり、幾何学的詳細のモデリングに適応性をもたらす。
我々はGCN誘導変形による従来のグラフィックアルゴリズムを模倣して、ポイントクラウド補完タスクを改良した最初の人物である。
論文 参考訳(メタデータ) (2021-11-11T12:55:26Z) - Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。
我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文 参考訳(メタデータ) (2021-10-11T17:24:52Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z) - 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) - GAMesh: Guided and Augmented Meshing for Deep Point Networks [4.599235672072547]
本稿では、GAMeshと呼ばれる新しいメッシュアルゴリズムを提案する。これは、メッシュを使用して、ポイントネットワークの出力ポイントの表面を生成する。
この先に出力ポイントを投影することにより、GAMeshはメッシュと同じトポロジを持つ曲面を保証するが、その幾何学的忠実度は点ネットワークによって制御される。
論文 参考訳(メタデータ) (2020-10-19T18:23:53Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳(メタデータ) (2020-10-15T12:15:02Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z)
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。