論文の概要: Explicit Neural Surfaces: Learning Continuous Geometry With Deformation
Fields
- arxiv url: http://arxiv.org/abs/2306.02956v3
- Date: Mon, 11 Dec 2023 06:05:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 02:33:59.092952
- 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: 本稿では、既知の基底領域からの変形場と位相をエンコードする効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。
暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
- 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 smooth surface
representation that directly encodes topology with a deformation field from a
known base domain. We apply this representation to reconstruct explicit
surfaces from multiple views, where we use a series of neural deformation
fields to progressively transform the base domain into a target shape. By using
meshes as discrete surface proxies, we train the deformation fields through
efficient differentiable rasterization. Using a fixed base domain allows us to
have Laplace-Beltrami eigenfunctions as an intrinsic positional encoding
alongside standard extrinsic Fourier features, with which our approach can
capture fine surface details. Compared to implicit surfaces, ENS trains faster
and has several orders of magnitude faster inference times. The explicit nature
of our approach also allows higher-quality mesh extraction whilst maintaining
competitive surface reconstruction performance and real-time capabilities.
- Abstract(参考訳): 我々は、既知の基底領域からの変形場と直接的にトポロジーを符号化する効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。
この表現を、複数のビューから明示的な曲面を再構成するために応用し、一連のニューラルネットワークの変形場を用いて、ベースドメインを徐々にターゲットの形状に変換する。
メッシュを離散的な表面プロキシとして使用することにより,効率的な微分ラスタライズにより変形場を訓練する。
固定基底領域を用いることで、ラプラス・ベルトラミ固有関数を通常の外在的フーリエ特徴とともに内在的な位置符号化として利用でき、それによって、我々のアプローチはきめ細かい表面の詳細を捉えることができる。
暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
このアプローチの明示的な性質は、競争力のある表面再構成性能とリアルタイム能力を維持しながら、高品質なメッシュ抽出を可能にする。
関連論文リスト
- 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) - Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - 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。