論文の概要: Hybrid Neural Diffeomorphic Flow for Shape Representation and Generation
via Triplane
- arxiv url: http://arxiv.org/abs/2307.01957v1
- Date: Tue, 4 Jul 2023 23:28:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 15:32:18.610131
- Title: Hybrid Neural Diffeomorphic Flow for Shape Representation and Generation
via Triplane
- Title(参考訳): 三面体による形状表現と生成のためのハイブリッドニューラル拡散型流れ
- Authors: Kun Han, Shanlin Sun, Xiaohui Xie
- Abstract要約: HNDFは、基礎となる表現を暗黙的に学習し、複雑な高密度対応を明示的に軸整列三面体特徴に分解する手法である。
新しい3次元形状を直接生成する従来の手法とは異なり、微分同相流による変形テンプレート形状による形状生成の考え方を探求する。
- 参考スコア(独自算出の注目度): 16.684276798449115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Implicit Functions (DIFs) have gained popularity in 3D computer vision
due to their compactness and continuous representation capabilities. However,
addressing dense correspondences and semantic relationships across DIF-encoded
shapes remains a critical challenge, limiting their applications in texture
transfer and shape analysis. Moreover, recent endeavors in 3D shape generation
using DIFs often neglect correspondence and topology preservation. This paper
presents HNDF (Hybrid Neural Diffeomorphic Flow), a method that implicitly
learns the underlying representation and decomposes intricate dense
correspondences into explicitly axis-aligned triplane features. To avoid
suboptimal representations trapped in local minima, we propose hybrid
supervision that captures both local and global correspondences. Unlike
conventional approaches that directly generate new 3D shapes, we further
explore the idea of shape generation with deformed template shape via
diffeomorphic flows, where the deformation is encoded by the generated triplane
features. Leveraging a pre-existing 2D diffusion model, we produce high-quality
and diverse 3D diffeomorphic flows through generated triplanes features,
ensuring topological consistency with the template shape. Extensive experiments
on medical image organ segmentation datasets evaluate the effectiveness of HNDF
in 3D shape representation and generation.
- Abstract(参考訳): Deep Implicit Functions (DIF) はそのコンパクトさと連続表現能力のために3Dコンピュータビジョンで人気を博している。
しかしながら、difエンコードされた形状にまたがる密接な対応と意味関係への対処は依然として重要な課題であり、テクスチャ転送や形状解析の応用は制限されている。
さらに,DIFを用いた3次元形状生成における最近の取り組みは,対応やトポロジー保存を無視することが多い。
本稿では,下層の表現を暗黙的に学習し,複雑な密接な対応を軸に並んだ三面体に分解する手法であるhndf(hybrid neural diffeomorphic flow)を提案する。
局所ミニマに閉じ込められた準最適表現を避けるために,局所対応と大域対応の両方を捉えるハイブリッド監督を提案する。
新しい3次元形状を直接生成する従来の手法とは異なり、変形は3次元平面の特徴によって符号化される微分型流によって変形したテンプレート形状による形状生成の考え方をさらに探求する。
既存の2次元拡散モデルを利用して, 生成する三面体特徴を通じ, 高品質で多様な3次元二相流を生成し, テンプレート形状との位相的一貫性を確保する。
3次元形状表現と生成におけるhndfの有効性を評価する医用画像臓器分割データセットに関する広範囲実験
関連論文リスト
- NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。
既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。
本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
論文 参考訳(メタデータ) (2024-03-27T04:09:34Z) - Topology-Aware Latent Diffusion for 3D Shape Generation [20.358373670117537]
我々は,潜伏拡散と持続的ホモロジーを組み合わせた新しい生成モデルを導入し,高多様性の3次元形状を創出する。
提案手法では,3次元形状を暗黙の場として表現し,位相的特徴の抽出に永続的ホモロジーを用いる。
論文 参考訳(メタデータ) (2024-01-31T05:13:53Z) - Explorable Mesh Deformation Subspaces from Unstructured Generative
Models [53.23510438769862]
3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。
本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T18:53:57Z) - Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and
Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文 参考訳(メタデータ) (2023-02-01T02:47:53Z) - Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
論文 参考訳(メタデータ) (2022-09-19T02:51:48Z) - Topology-Preserving Shape Reconstruction and Registration via Neural
Diffeomorphic Flow [22.1959666473906]
Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。
深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。
NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
論文 参考訳(メタデータ) (2022-03-16T14:39:11Z) - Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D
Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。
メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文 参考訳(メタデータ) (2021-11-08T05:29:35Z) - Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。
我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。
提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
論文 参考訳(メタデータ) (2020-11-30T06:01:49Z) - Deformed Implicit Field: Modeling 3D Shapes with Learned Dense
Correspondence [30.849927968528238]
本稿では,カテゴリの3次元形状をモデル化するための新しいDeformed Implicit Field表現を提案する。
我々のニューラルネットワーク、DIF-Netは、カテゴリに属する3Dオブジェクトの形状潜在空間とこれらのフィールドを共同で学習する。
実験により、DIF-Netは高忠実度3次元形状を生成するだけでなく、異なる形状の高品位密度対応を生成することが示された。
論文 参考訳(メタデータ) (2020-11-27T10:45:26Z)
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。