論文の概要: VoroMesh: Learning Watertight Surface Meshes with Voronoi Diagrams
- arxiv url: http://arxiv.org/abs/2308.14616v1
- Date: Mon, 28 Aug 2023 14:35:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 13:37:04.815021
- Title: VoroMesh: Learning Watertight Surface Meshes with Voronoi Diagrams
- Title(参考訳): VoroMesh: Voronoiダイアグラムによる水密表面メッシュの学習
- Authors: Nissim Maruani, Roman Klokov, Maks Ovsjanikov, Pierre Alliez, Mathieu
Desbrun
- Abstract要約: ヴォロメシュ(VoroMesh)は、水密な3次元形状の新規で微分可能なボロノイの表現である。
発電機の位置を学習するために,VoroLossと呼ばれる新しい損失関数を提案する。
Thingi32データセット上のジェネレータを得るためにVorolossを直接最適化することは、我々の表現の幾何学的効率を示す。
- 参考スコア(独自算出の注目度): 34.71121458068556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In stark contrast to the case of images, finding a concise, learnable
discrete representation of 3D surfaces remains a challenge. In particular,
while polygon meshes are arguably the most common surface representation used
in geometry processing, their irregular and combinatorial structure often make
them unsuitable for learning-based applications. In this work, we present
VoroMesh, a novel and differentiable Voronoi-based representation of watertight
3D shape surfaces. From a set of 3D points (called generators) and their
associated occupancy, we define our boundary representation through the Voronoi
diagram of the generators as the subset of Voronoi faces whose two associated
(equidistant) generators are of opposite occupancy: the resulting polygon mesh
forms a watertight approximation of the target shape's boundary. To learn the
position of the generators, we propose a novel loss function, dubbed VoroLoss,
that minimizes the distance from ground truth surface samples to the closest
faces of the Voronoi diagram which does not require an explicit construction of
the entire Voronoi diagram. A direct optimization of the Voroloss to obtain
generators on the Thingi32 dataset demonstrates the geometric efficiency of our
representation compared to axiomatic meshing algorithms and recent
learning-based mesh representations. We further use VoroMesh in a
learning-based mesh prediction task from input SDF grids on the ABC dataset,
and show comparable performance to state-of-the-art methods while guaranteeing
closed output surfaces free of self-intersections.
- Abstract(参考訳): 画像の場合とは対照的に、簡潔で学習可能な3次元表面の離散表現を見つけることは依然として困難である。
特に、ポリゴンメッシュは幾何処理で使用される最も一般的な表面表現であるが、その不規則かつ組合せ構造は学習ベースのアプリケーションには適さないことが多い。
本稿では,水密な3次元形状曲面の新規かつ微分可能なボロノイに基づく表現であるvoromeshについて述べる。
3dポイントの集合(ジェネレータと呼ばれる)とそれに関連する占有から、私たちは、生成元のボロノイ図を通して境界表現を、2つの関連する(等価な)生成器が反対の占有率を持つボロノイ面のサブセットとして定義する。
ジェネレータの位置を学習するために、VoroLossと呼ばれる新しい損失関数を提案し、この関数は、地上の真面からボロノイ図全体の明示的な構成を必要としないボロノイ図の最も近い面までの距離を最小化する。
Thingi32データセット上のジェネレータを得るためのVorolossの直接最適化は、公理的メッシュアルゴリズムや最近の学習に基づくメッシュ表現と比較して、表現の幾何学的効率を示す。
さらに、abcデータセット上の入力sdfグリッドから学習ベースのメッシュ予測タスクでvoromeshを使用し、自己干渉のないクローズド出力面を保証しながら、最先端手法に匹敵するパフォーマンスを示す。
関連論文リスト
- Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳(メタデータ) (2022-10-05T16:52:25Z) - 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) - Learnable Triangulation for Deep Learning-based 3D Reconstruction of
Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。
提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
論文 参考訳(メタデータ) (2021-09-24T09:44:22Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - DualConv: Dual Mesh Convolutional Networks for Shape Correspondence [44.94765770516059]
畳み込みニューラルネットワークは2d画像で非常に成功し、3dボクセルデータを扱うために容易に拡張されている。
本稿では,これらのネットワークを三角メッシュの二重面表現に拡張する方法を検討する。
実験により,二重メッシュの近傍サイズの正則性を明示的に活用した畳み込みモデルの構築により,従来の手法と同等以上の形状表現を学習できることを実証した。
論文 参考訳(メタデータ) (2021-03-23T11:22:47Z) - 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) - 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。