論文の概要: Leveraging Intrinsic Properties for Non-Rigid Garment Alignment

• arxiv url: http://arxiv.org/abs/2308.09519v1
• Date: Fri, 18 Aug 2023 12:54:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 13:06:25.444371
• Title: Leveraging Intrinsic Properties for Non-Rigid Garment Alignment
• Title（参考訳）: 非剛性ガーメントアライメントにおける内在特性の活用
• Authors: Siyou Lin, Boyao Zhou, Zerong Zheng, Hongwen Zhang, Yebin Liu
• Abstract要約: 本稿では,2つのニューラル変形場を持つ固有多様体特性を生かした,粗粒二段法を提案する。 本手法は, クリンクルレベル, テクスチャレベルのアライメントを高精度に達成し, ロングコートなどの衣料の難しさに対処する。
• 参考スコア（独自算出の注目度）: 42.00400999141763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of aligning real-world 3D data of garments, which benefits many applications such as texture learning, physical parameter estimation, generative modeling of garments, etc. Existing extrinsic methods typically perform non-rigid iterative closest point and struggle to align details due to incorrect closest matches and rigidity constraints. While intrinsic methods based on functional maps can produce high-quality correspondences, they work under isometric assumptions and become unreliable for garment deformations which are highly non-isometric. To achieve wrinkle-level as well as texture-level alignment, we present a novel coarse-to-fine two-stage method that leverages intrinsic manifold properties with two neural deformation fields, in the 3D space and the intrinsic space, respectively. The coarse stage performs a 3D fitting, where we leverage intrinsic manifold properties to define a manifold deformation field. The coarse fitting then induces a functional map that produces an alignment of intrinsic embeddings. We further refine the intrinsic alignment with a second neural deformation field for higher accuracy. We evaluate our method with our captured garment dataset, GarmCap. The method achieves accurate wrinkle-level and texture-level alignment and works for difficult garment types such as long coats. Our project page is https://jsnln.github.io/iccv2023_intrinsic/index.html.
• Abstract（参考訳）: 我々は,テクスチャ学習,物理パラメータ推定,衣服の生成モデルなど,多くの応用に有用な,実際の衣服の3Dデータの整合性の問題に対処する。 既存の超越的手法は通常、不正確な一致と剛性制約のために不規則な反復的最接近点を実行し、詳細を調整するのに苦労する。 関数写像に基づく本質的手法は高品質な対応を生成することができるが、等尺性仮定の下で動作し、非等尺性が高い衣服変形に対して信頼できない。 テクスチャレベルアライメントとシワレベルのアライメントを実現するため,3次元空間と内在空間の2つの神経変形場を有する内在的多様体特性をそれぞれ活用する新しい粗・細二段階法を提案する。 粗いステージは3dフィッティングを行い、内在的な多様体特性を利用して多様体変形場を定義する。 粗いフィッティングは、内在的な埋め込みのアラインメントを生成する関数マップを誘導する。 さらに、より高精度に第2の神経変形場と固有アライメントを改良する。 捕獲した衣料品データセットgarmcapを用いて評価を行った。 この方法は、正確なしわレベルとテクスチャレベルのアライメントを実現し、ロングコートなどの難しい衣服タイプに対応している。 プロジェクトページはhttps://jsnln.github.io/iccv2023_intrinsic/index.htmlです。

関連論文リスト

• Occupancy-Based Dual Contouring [12.944046673902415]
  本稿では,2重畳み込み方式を提案する。 本手法は,GPU並列化を最大化するために,学習不要かつ慎重に設計されている。
  論文  参考訳（メタデータ） (2024-09-20T11:32:21Z)
• N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
  Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。 画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。 オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-16T18:50:44Z)
• Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
  非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。 本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
  論文  参考訳（メタデータ） (2023-11-27T09:55:55Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Correspondence Learning via Linearly-invariant Embedding [40.07515336866026]
  データからベースを学習することで、堅牢性が向上し、挑戦的な設定において精度が向上することを示す。 提案手法は,非剛性な3Dポイントクラウド対応アプリケーションに挑戦する上で,最先端の成果を達成できることを実証する。
  論文  参考訳（メタデータ） (2020-10-25T15:31:53Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。