論文の概要: Neural Progressive Meshes

• arxiv url: http://arxiv.org/abs/2308.05741v1
• Date: Thu, 10 Aug 2023 17:58:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 11:30:54.524158
• Title: Neural Progressive Meshes
• Title（参考訳）: ニューラルプログレッシブメッシュ
• Authors: Yun-Chun Chen, Vladimir G. Kim, Noam Aigerman, Alec Jacobson
• Abstract要約: 本稿では,共有学習空間を用いた3次元メッシュの伝送手法を提案する。 分割型エンコーダ・デコーダアーキテクチャを用いて,この空間を学習する。 本手法は複雑な3次元形状を多種多様な形状で評価し, 圧縮率と復元品質の点で, ベースライン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）: 54.52990060976026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recent proliferation of 3D content that can be consumed on hand-held devices necessitates efficient tools for transmitting large geometric data, e.g., 3D meshes, over the Internet. Detailed high-resolution assets can pose a challenge to storage as well as transmission bandwidth, and level-of-detail techniques are often used to transmit an asset using an appropriate bandwidth budget. It is especially desirable for these methods to transmit data progressively, improving the quality of the geometry with more data. Our key insight is that the geometric details of 3D meshes often exhibit similar local patterns even across different shapes, and thus can be effectively represented with a shared learned generative space. We learn this space using a subdivision-based encoder-decoder architecture trained in advance on a large collection of surfaces. We further observe that additional residual features can be transmitted progressively between intermediate levels of subdivision that enable the client to control the tradeoff between bandwidth cost and quality of reconstruction, providing a neural progressive mesh representation. We evaluate our method on a diverse set of complex 3D shapes and demonstrate that it outperforms baselines in terms of compression ratio and reconstruction quality.
• Abstract（参考訳）: 近年の携帯端末で消費される3Dコンテンツの急増は、インターネット上で大規模な幾何学的データを送信するための効率的なツールを必要とする。 詳細な高解像度の資産は、転送帯域幅だけでなくストレージにも挑戦し、適切な帯域幅予算を用いて資産を伝送するためには、詳細レベルの技術がしばしば使用される。 これらの手法は,データ転送を段階的に行うことが特に望ましいため,幾何の質が向上する。 我々の重要な洞察は、3Dメッシュの幾何学的詳細は、異なる形状であってもよく似た局所パターンを示すため、共有学習された生成空間で効果的に表現できるということである。 この空間は、分割ベースのエンコーダ-デコーダアーキテクチャを使って、事前訓練された多数の曲面を用いて学習する。 さらに、クライアントが帯域幅のコストと再構成の質の間のトレードオフを制御できる部分分割の中間レベル間で、追加の残余機能を段階的に送信し、ニューラルネットワークのプログレッシブメッシュ表現を提供する。 本手法は,複雑な3次元形状の多様な集合について評価し,圧縮率と再構成品質の点でベースラインを上回っていることを示す。

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)
• An adversarial feature learning based semantic communication method for Human 3D Reconstruction [0.559239450391449]
  本稿では,人体3次元再構成のための適応的特徴学習ベースセマンティックコミュニケーション手法(AFLSC)を提案する。 本研究では,2次元画像から空間配置,キーポイント,姿勢,深度情報を抽出するマルチタスク学習に基づく特徴抽出手法を提案する。 また,これらの特徴情報を意味データにエンコードするための,敵対的特徴学習に基づく意味的符号化手法を設計する。
  論文  参考訳（メタデータ） (2024-11-23T16:09:53Z)
• HIVE: HIerarchical Volume Encoding for Neural Implicit Surface Reconstruction [37.00102816748563]
  空間情報を明示的に符号化するためのボリュームエンコーディングを導入する。 高分解能ボリュームは、高周波幾何学の詳細をキャプチャする。 低解像度の体積は、形状を滑らかに保つために空間的な一貫性を強制する。 この階層的なボリュームエンコーディングは、プラグ・アンド・プレイモジュールとして任意の暗黙の面再構成法に付加することができる。
  論文  参考訳（メタデータ） (2024-08-03T06:34:20Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
  自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。 自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
  論文  参考訳（メタデータ） (2024-02-19T15:33:09Z)
• High Fidelity 3D Hand Shape Reconstruction via Scalable Graph Frequency Decomposition [77.29516516532439]
  周波数分割ネットワークを設計し,周波数帯域の異なる3次元ハンドメッシュを粗い方法で生成する。 高周波パーソナライズされた詳細を捉えるため、3Dメッシュを周波数領域に変換し、新しい周波数分解損失を提案する。 提案手法は高忠実度3次元手指再建のための微細な細部情報を生成する。
  論文  参考訳（メタデータ） (2023-07-08T19:26:09Z)
• FineRecon: Depth-aware Feed-forward Network for Detailed 3D Reconstruction [13.157400338544177]
  ポーズ画像からの3次元再構成に関する最近の研究は、深層ニューラルネットワークを用いてシーンレベルの3次元幾何を直接推定できることを実証している。 推論に基づく3次元再構成の忠実度を改善するための有効な3つの方法を提案する。 提案手法はスムーズかつ高精度な再構成を行い,多深度および3次元再構成の指標において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-04-04T02:50:29Z)
• Generating 3D structures from a 2D slice with GAN-based dimensionality expansion [0.0]
  GAN(Generative adversarial Network)は、3D画像データを生成するためのトレーニングが可能で、設計の最適化に役立ちます。 本稿では,1つの代表2次元画像を用いて高忠実度3次元データセットを合成できる生成逆ネットワークアーキテクチャであるSliceGANを紹介する。
  論文  参考訳（メタデータ） (2021-02-10T18:46:17Z)
• Spatial Information Guided Convolution for Real-Time RGBD Semantic Segmentation [79.78416804260668]
  本稿では,効率的なRGB機能と3次元空間情報統合を実現するための空間情報ガイドコンボリューション(S-Conv)を提案する。 S-Convは、3次元空間情報によって導かれる畳み込みカーネルのサンプリングオフセットを推測する能力を有する。 我々はさらにS-Convを空間情報ガイド畳み込みネットワーク(SGNet)と呼ばれるセグメンテーションネットワークに組み込みます。
  論文  参考訳（メタデータ） (2020-04-09T13:38:05Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。