Fugu-MT 論文翻訳(概要): Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks

論文の概要: Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks

arxiv url: http://arxiv.org/abs/2305.00635v2
Date: Tue, 16 Apr 2024 03:46:03 GMT
ステータス: 処理完了
システム内更新日: 2024-04-18 02:40:26.167710
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塗装のためのセルフプライア学習
Authors: Shota Hattori, Tatsuya Yatagawa, Yutaka Ohtake, Hiromasa Suzuki,
Abstract要約: 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）: 4.424836140281846
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this paper, we present 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 one, 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 complete output mesh. Specifically, we train the GCNs to deform an oversmoothed version of the input mesh into the expected complete shape. The deformation is described by vertex displacements, and the GCNs are supervised to obtain accurate displacements at vertices in real holes. To this end, we specify several connected regions of the mesh as fake holes, thereby generating meshes with various sets of fake holes. The correct displacements of vertices are known in these fake holes, thus enabling training GCNs with loss functions that assess the accuracy of vertex displacements. We demonstrate that our method outperforms traditional dataset-independent approaches and exhibits greater robustness compared with other deep-learning-based methods for shapes that infrequently appear in shape datasets. Our code and test data are available at https://github.com/astaka-pe/SeMIGCN.
Abstract（参考訳）: 本稿では、トレーニングデータセットを必要とせずに、入力として不完全なメッシュのみを必要とする自己プライオリティベースのメッシュインペイントフレームワークを提案する。さらに,本手法では,形状をボクセルグリッドや点雲,暗黙関数などの中間形式に変換することなく,塗装プロセスを通じて多角形メッシュフォーマットを維持している。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,完全な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に平滑なバージョンを、期待される完全な形に変形させる。変形は頂点変位によって記述され、GCNは実ホールの頂点における正確な変位を得るために監督される。この目的のために、メッシュのいくつかの連結領域を偽の穴として指定し、それによって様々な偽の穴を持つメッシュを生成する。これらの偽の穴では、頂点の正確な変位が知られており、頂点変位の精度を評価する損失関数を持つGCNを訓練することができる。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おり,形状データセットにしばしば現れる他の深層学習手法と比較して頑健であることを示す。コードとテストデータはhttps://github.com/astaka-pe/SeMIGCN.comで公開されています。

関連論文リスト

PoNQ: a Neural QEM-based Mesh Representation [33.81124790808585]
学習可能なメッシュ表現を,局所的な3次元サンプルポイントとその関連する正規値および擬似誤差メトリクス(QEM)を用いて導入する。グローバルメッシュは、局所的な二次誤差の知識を効率的に活用することにより、PoNQから直接導出される。 SDFグリッドからの学習に基づくメッシュ予測により,PoNQの有効性を示す。
論文参考訳（メタデータ） (2024-03-19T16:15:08Z)
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)
Deep Mesh Prior: Unsupervised Mesh Restoration using Graph Convolutional Networks [0.0]
本稿では,メッシュ上のグラフ畳み込みネットワークを提案し,自己相似性を学習する。ネットワークは入力データとして1つの不完全なメッシュを取り、再構成されたメッシュを直接出力する。我々の教師なし手法は大規模データセットを用いた最先端手法と同等かそれ以上に機能することを示した。
論文参考訳（メタデータ） (2021-07-02T07:21:10Z)
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)
Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。ここでは,Point2Meshが所望の解に収束することを示す。
論文参考訳（メタデータ） (2020-05-22T10:01:04Z)
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。