論文の概要: Explicit Neural Surfaces: Learning Continuous Geometry With Deformation
Fields
- arxiv url: http://arxiv.org/abs/2306.02956v2
- Date: Sun, 3 Dec 2023 15:05:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 23:20:50.591515
- Title: Explicit Neural Surfaces: Learning Continuous Geometry With Deformation
Fields
- Title(参考訳): 明示的な神経表面:変形場を用いた連続幾何学の学習
- Authors: Thomas Walker, Octave Mariotti, Amir Vaxman, Hakan Bilen
- Abstract要約: 複数のビューから明確に定義された連続表面を学習する効率的な表面再構成法であるExplicit Neural Surfaces (ENS)を導入する。
ENSは1桁から2桁の速度で訓練し、暗黙の表現に比べて高い品質のメッシュを抽出することができる。
我々は,物体の集合を1つのモデルで学習し,異なる形状,表面の細部,テクスチャ間の不整合を実現するためのアプローチを適用した。
- 参考スコア(独自算出の注目度): 33.38609930708073
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce Explicit Neural Surfaces (ENS), an efficient surface
reconstruction method that learns an explicitly defined continuous surface from
multiple views. We use a series of neural deformation fields to progressively
transform a continuous input surface to a target shape. By sampling meshes as
discrete surface proxies, we train the deformation fields through efficient
differentiable rasterization, and attain a mesh-independent and smooth surface
representation. By using Laplace-Beltrami eigenfunctions as an intrinsic
positional encoding alongside standard extrinsic Fourier features, our approach
can capture fine surface details. ENS trains 1 to 2 orders of magnitude faster
and can extract meshes of higher quality compared to implicit representations,
whilst maintaining competitive surface reconstruction performance and real-time
capabilities. Finally, we apply our approach to learn a collection of objects
in a single model, and achieve disentangled interpolations between different
shapes, their surface details, and textures.
- Abstract(参考訳): 複数のビューから明確に定義された連続表面を学習する効率的な表面再構成法であるExplicit Neural Surfaces (ENS)を導入する。
連続入力面を目標形状に漸進的に変換するために,一連の神経変形場を用いる。
メッシュを離散曲面プロキシとしてサンプリングすることにより、効率的な微分ラスタ化により変形場を訓練し、メッシュ非依存かつ滑らかな表面表現を実現する。
laplace-beltrami固有関数を標準の極端フーリエ特徴と並行して本質的な位置符号化として用いることで,詳細な表面詳細を捉えることができる。
ENSは1桁から2桁の速度で走行し、暗黙の表現よりも高い品質のメッシュを抽出できる一方で、競合する表面再構成性能とリアルタイム能力を維持している。
最後に, 物体の集合を1つのモデルで学習し, 異なる形状, 表面の細部, テクスチャ間の乱れを補間する手法を提案する。
関連論文リスト
- DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction [93.18586302123633]
本稿では3次元点雲列から時間的に一貫した表面を対応なく再構成する問題について考察する。
テンプレート表面表現と学習可能な変形場を統合した教師なし学習フレームワークDynoSurfを提案する。
実験により、DynoSurfの現在の最先端アプローチに対する顕著な優位性を示した。
論文 参考訳(メタデータ) (2024-03-18T08:58:48Z) - Implicit Neural Representation of Tileable Material Textures [1.1203075575217447]
周期的なタイル状テクスチャを表現するために,正弦波ニューラルネットワークを探索する。
正弦波層の合成が周期$P$の整数周波数のみを生成することを証明した。
提案するニューラル暗黙表現はコンパクトであり,高分解能なテクスチャの効率的な再構築を可能にする。
論文 参考訳(メタデータ) (2024-02-03T16:44:25Z) - Surface Normal Estimation with Transformers [11.198936434401382]
ノイズと密度の変動を考慮した点群から正規分布を正確に予測する変換器を提案する。
本手法は,合成形状データセットPCPNetと実世界の屋内シーンPCPNNの両方で最先端の性能を実現する。
論文 参考訳(メタデータ) (2024-01-11T08:52:13Z) - Unsupervised Multimodal Surface Registration with Geometric Deep
Learning [3.3403308469369577]
GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。
よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。
このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
論文 参考訳(メタデータ) (2023-11-21T22:05:00Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
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、符号なし距離関数(UDF)の暗黙的な表現も採用している。
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。
論文 参考訳(メタデータ) (2023-03-08T02:36:09Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2022-10-13T16:39:53Z) - Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal
Charts and Distortion [71.52576837870166]
我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。
その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。
我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
論文 参考訳(メタデータ) (2022-07-29T16:55:06Z) - Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。
我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。
我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
論文 参考訳(メタデータ) (2021-11-18T05:30:35Z) - Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by
Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。
この目標をシンプルで効果的な設計で効果的に達成できることを示す。
論文 参考訳(メタデータ) (2021-05-08T03:35:32Z) - 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。