論文の概要: Few-Shot Physically-Aware Articulated Mesh Generation via Hierarchical Deformation

• arxiv url: http://arxiv.org/abs/2308.10898v1
• Date: Mon, 21 Aug 2023 17:59:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 12:18:58.949831
• Title: Few-Shot Physically-Aware Articulated Mesh Generation via Hierarchical Deformation
• Title（参考訳）: 階層的変形による物理認識メッシュ生成
• Authors: Xueyi Liu and Bin Wang and He Wang and Li Yi
• Abstract要約: 数ショットの物理的認識によるメッシュ生成の問題について検討する。 少数の例のみを含む明瞭なオブジェクトデータセットを観察することにより、高い視覚的忠実度と物理的妥当性を持つ多様なメッシュを生成できるモデルを学びたい。
• 参考スコア（独自算出の注目度）: 31.567233332349282
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the problem of few-shot physically-aware articulated mesh generation. By observing an articulated object dataset containing only a few examples, we wish to learn a model that can generate diverse meshes with high visual fidelity and physical validity. Previous mesh generative models either have difficulties in depicting a diverse data space from only a few examples or fail to ensure physical validity of their samples. Regarding the above challenges, we propose two key innovations, including 1) a hierarchical mesh deformation-based generative model based upon the divide-and-conquer philosophy to alleviate the few-shot challenge by borrowing transferrable deformation patterns from large scale rigid meshes and 2) a physics-aware deformation correction scheme to encourage physically plausible generations. We conduct extensive experiments on 6 articulated categories to demonstrate the superiority of our method in generating articulated meshes with better diversity, higher visual fidelity, and better physical validity over previous methods in the few-shot setting. Further, we validate solid contributions of our two innovations in the ablation study. Project page with code is available at https://meowuu7.github.io/few-arti-obj-gen.
• Abstract（参考訳）: 数ショットの物理的認識によるメッシュ生成の問題について検討する。 少数の例のみを含む明瞭なオブジェクトデータセットを観察することにより、高い視覚的忠実度と物理的妥当性を持つ多様なメッシュを生成できるモデルを学びたい。 以前のメッシュ生成モデルは、少数の例から多様なデータ空間を記述するのが困難であったり、サンプルの物理的妥当性を保証できなかったりする。 上記の課題について,我々は2つの重要なイノベーションを提案する。 1)大規模剛体メッシュから転置可能な変形パターンを借用して, 分割・分割の哲学に基づく階層的メッシュ変形に基づく生成モデルと, 限定的挑戦の軽減 2) 物理的に妥当な世代を奨励する物理特性を考慮した変形補正法。 提案手法は,従来手法よりも多様性が高く,視覚忠実度が高く,物理的妥当性のよい関節メッシュを生成できるため,6つの関節カテゴリについて広範囲に実験を行った。 さらに, アブレーション研究における2つの革新の確固たる貢献を検証した。 コード付きプロジェクトページはhttps://meowu7.github.io/few-arti-obj-genで入手できる。

関連論文リスト

• A Simple Approach to Unifying Diffusion-based Conditional Generation [63.389616350290595]
  多様な条件生成タスクを処理するための、シンプルで統一されたフレームワークを導入します。 提案手法は,異なる推論時間サンプリング方式による多目的化を実現する。 我々のモデルは、非親密なアライメントや粗い条件付けのような追加機能をサポートしています。
  論文  参考訳（メタデータ） (2024-10-15T09:41:43Z)
• Bond Graphs for multi-physics informed Neural Networks for multi-variate time series [6.775534755081169]
  既存の手法は複雑な多分野・多領域現象のタスクには適用されない。 タスク固有モデルに入力可能な多物理インフォームド表現を生成するニューラルボンドグラフ(NBgE)を提案する。
  論文  参考訳（メタデータ） (2024-05-22T12:30:25Z)
• REACTO: Reconstructing Articulated Objects from a Single Video [64.89760223391573]
  関節の柔軟な変形を維持しつつ各部の剛性を向上する新しい変形モデルを提案する。 提案手法は, 従来よりも高忠実度な3D再構成を実現する上で, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-17T08:01:55Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• UGG: Unified Generative Grasping [41.201337177738075]
  オブジェクトに条件付けされたグリーティング姿勢を生成するジェネレーションベースの手法は、しばしば多様なグリーティングを生成する。 我々は,UGGという名前の拡散に基づくデクスタラスグリップ生成モデルを導入する。 本モデルでは,大規模DexGraspNetデータセットを用いて,最先端のデクスタラスグルーピングを実現する。
  論文  参考訳（メタデータ） (2023-11-28T16:20:33Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Physics-informed Guided Disentanglement in Generative Networks [26.36897056828784]
  画像と画像の翻訳ネットワークは、対象領域に物理関連現象が存在する場合の絡み合い効果に悩まされる。 対象画像の視覚的特徴をアンタングルする一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-07-29T17:59:31Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。