Fugu-MT 論文翻訳(概要): ShaDDR: Interactive Example-Based Geometry and Texture Generation via 3D Shape Detailization and Differentiable Rendering

論文の概要: ShaDDR: Interactive Example-Based Geometry and Texture Generation via 3D Shape Detailization and Differentiable Rendering

arxiv url: http://arxiv.org/abs/2306.04889v2
Date: Wed, 22 Nov 2023 03:02:46 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 18:51:05.531581
Title: ShaDDR: Interactive Example-Based Geometry and Texture Generation via 3D Shape Detailization and Differentiable Rendering
Title（参考訳）: ShaDDR:3次元形状詳細化と微分レンダリングによる対話型例ベース形状とテクスチャ生成
Authors: Qimin Chen, Zhiqin Chen, Hang Zhou, Hao Zhang
Abstract要約: ShaDDRは、高分解能なテクスチャ化された3D形状を生成するサンプルベースのディープ生成ニューラルネットワークである。本手法は,マルチレゾリューションボクセルアップサンプリングによる幾何学の精密化と,ボクセル表面のテクスチャの生成を学習する。生成された形状は、入力された粗いボクセルモデルの全体構造を保存する。
参考スコア（独自算出の注目度）: 24.622120688131616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present ShaDDR, an example-based deep generative neural network which produces a high-resolution textured 3D shape through geometry detailization and conditional texture generation applied to an input coarse voxel shape. Trained on a small set of detailed and textured exemplar shapes, our method learns to detailize the geometry via multi-resolution voxel upsampling and generate textures on voxel surfaces via differentiable rendering against exemplar texture images from a few views. The generation is interactive, taking less than 1 second to produce a 3D model with voxel resolutions up to 512^3. The generated shape preserves the overall structure of the input coarse voxel model, while the style of the generated geometric details and textures can be manipulated through learned latent codes. In the experiments, we show that our method can generate higher-resolution shapes with plausible and improved geometric details and clean textures compared to prior works. Furthermore, we showcase the ability of our method to learn geometric details and textures from shapes reconstructed from real-world photos. In addition, we have developed an interactive modeling application to demonstrate the generalizability of our method to various user inputs and the controllability it offers, allowing users to interactively sculpt a coarse voxel shape to define the overall structure of the detailized 3D shape. Code and data are available at https://github.com/qiminchen/ShaDDR.
Abstract（参考訳）: 入力された粗いボクセル形状に適用した幾何学的詳細化と条件付きテクスチャ生成により,高分解能なテクスチャ形状を生成する実例に基づく深部生成ニューラルネットワークShaDDRを提案する。本手法は, 微細かつテクスチャ化された模範形状の小さなセットに基づいて, 多重解像度のボクセルアップサンプリングによる幾何学の精密化を学習し, ボクセル表面のテクスチャを生成する。生成は対話的で、1秒未満で512^3までのボクセル解像度を持つ3Dモデルを生成する。生成した形状は入力された粗いボクセルモデル全体の構造を保ち、生成した幾何学的詳細やテクスチャのスタイルは学習された潜時符号で操作できる。実験により,本手法は従来よりも高分解能な形状を生成でき,幾何的細部や清潔なテクスチャを向上できることを示した。さらに,実世界の写真から再構成した形状から幾何学的詳細やテクスチャを学習する方法について述べる。さらに,提案手法を様々な入力に一般化し,その制御性を実証するインタラクティブ・モデリング・アプリケーションを開発し,粗いボクセル形状を対話的に彫刻し,詳細な3次元形状の全体構造を定義できるようにした。コードとデータはhttps://github.com/qiminchen/ShaDDRで公開されている。

関連論文リスト

DetailGen3D: Generative 3D Geometry Enhancement via Data-Dependent Flow [44.72037991063735]
DetailGen3Dは、生成された3D形状を強化するために特別に設計されたジェネレーティブなアプローチである。我々の重要な洞察は、潜在空間におけるデータ依存フローを通して、粗大から細小への変換を直接モデル化することである。改質時に正確な空間対応を確保するためのトークンマッチング戦略を導入する。
論文参考訳（メタデータ） (2024-11-25T17:08:17Z)
DECOLLAGE: 3D Detailization by Controllable, Localized, and Learned Geometry Enhancement [38.719572669042925]
エンドユーザーが機械学習を用いて3次元形状を洗練・詳細化できる3Dモデリング手法を提案する。詳細をローカライズする能力は、新しいインタラクティブな創造性と応用を可能にする。
論文参考訳（メタデータ） (2024-09-10T00:51:49Z)
CraftsMan: High-fidelity Mesh Generation with 3D Native Generation and Interactive Geometry Refiner [34.78919665494048]
CraftsManは、非常に多様な形状、通常のメッシュトポロジ、詳細な表面を持つ高忠実な3Dジオメトリを生成することができる。本手法は,従来の方法に比べて高品質な3Dアセットの製作に有効である。
論文参考訳（メタデータ） (2024-05-23T18:30:12Z)
ShapeClipper: Scalable 3D Shape Learning from Single-View Images via Geometric and CLIP-based Consistency [39.7058456335011]
実世界のRGB画像から3次元オブジェクト形状を再構成する新しい手法であるShapeClipperを提案する。 ShapeClipperは、単一ビュー分割画像の集合から形状再構成を学習する。実世界の3つの挑戦的データセットに対して,本手法の評価を行った。
論文参考訳（メタデータ） (2023-04-13T03:53:12Z)
DreamStone: Image as Stepping Stone for Text-Guided 3D Shape Generation [105.97545053660619]
テキスト誘導型3次元形状生成手法DreamStoneを提案する。画像を使ってテキストと形状のギャップを埋め、ペアのテキストと3Dデータを必要とせずに3Dの形状を生成する。我々のアプローチは汎用的で柔軟でスケーラブルであり、様々なSVRモデルと容易に統合でき、生成空間を拡大し、生成忠実性を向上させることができる。
論文参考訳（メタデータ） (2023-03-24T03:56:23Z)
Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文参考訳（メタデータ） (2022-04-21T03:42:31Z)
Facial Geometric Detail Recovery via Implicit Representation [147.07961322377685]
そこで本研究では,一眼の顔画像のみを用いて,テクスチャガイドを用いた幾何的細部復元手法を提案する。提案手法は,高品質なテクスチャ補完と暗黙の面の強力な表現性を組み合わせたものである。本手法は, 顔の正確な細部を復元するだけでなく, 正常部, アルベド部, シェーディング部を自己監督的に分解する。
論文参考訳（メタデータ） (2022-03-18T01:42:59Z)
3DStyleNet: Creating 3D Shapes with Geometric and Texture Style Variations [81.45521258652734]
本稿では,3次元オブジェクトの幾何学的・テクスチャ的バリエーションを多用する手法を提案する。提案手法は,多くの新しいスタイルの形状を作成でき,その結果,無駄な3Dコンテンツ作成とスタイルウェアデータ拡張を実現している。
論文参考訳（メタデータ） (2021-08-30T02:28:31Z)
DECOR-GAN: 3D Shape Detailization by Conditional Refinement [50.8801457082181]
本稿では,3次元形状詳細化のための深層生成ネットワークについて紹介する。提案手法は, 粗い形状を様々な形状の細かな形状に洗練することができることを示す。
論文参考訳（メタデータ） (2020-12-16T18:52:10Z)
Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文参考訳（メタデータ） (2020-08-18T06:33:40Z)

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。