論文の概要: Zero-Level-Set Encoder for Neural Distance Fields
- arxiv url: http://arxiv.org/abs/2310.06644v1
- Date: Tue, 10 Oct 2023 14:07:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 01:35:26.051350
- Title: Zero-Level-Set Encoder for Neural Distance Fields
- Title（参考訳）: ニューラルネットワーク用ゼロレベルセットエンコーダ
- Authors: Stefan Rhys Jeske and Jonathan Klein and Dominik L. Michels and Jan
Bender
- Abstract要約: 本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。
我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
- 参考スコア（独自算出の注目度）: 10.269224726391807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural shape representation generally refers to representing 3D geometry
using neural networks, e.g., to compute a signed distance or occupancy value at
a specific spatial position. Previous methods tend to rely on the auto-decoder
paradigm, which often requires densely-sampled and accurate signed distances to
be known during training and testing, as well as an additional optimization
loop during inference. This introduces a lot of computational overhead, in
addition to having to compute signed distances analytically, even during
testing. In this paper, we present a novel encoder-decoder neural network for
embedding 3D shapes in a single forward pass. Our architecture is based on a
multi-scale hybrid system incorporating graph-based and voxel-based components,
as well as a continuously differentiable decoder. Furthermore, the network is
trained to solve the Eikonal equation and only requires knowledge of the
zero-level set for training and inference. Additional volumetric samples can be
generated on-the-fly, and incorporated in an unsupervised manner. This means
that in contrast to most previous work, our network is able to output valid
signed distance fields without explicit prior knowledge of non-zero distance
values or shape occupancy. In other words, our network computes approximate
solutions to the boundary-valued Eikonal equation. It also requires only a
single forward pass during inference, instead of the common latent code
optimization. We further propose a modification of the loss function in case
that surface normals are not well defined, e.g., in the context of
non-watertight surface-meshes and non-manifold geometry. We finally demonstrate
the efficacy, generalizability and scalability of our method on datasets
consisting of deforming 3D shapes, single class encoding and multiclass
encoding, showcasing a wide range of possible applications.
- Abstract（参考訳）: 神経形状表現は一般的に、特定の空間位置で符号付き距離または占有値を計算するためにニューラルネットワークを使用する3次元幾何学を表す。
従来の手法はオートデコーダのパラダイムに頼りがちで、トレーニングやテスト中に既知の密集した正確な符号付き距離と、推論中に追加の最適化ループを必要とすることが多い。
これは、テスト中であっても、署名された距離を解析的に計算することに加えて、多くの計算オーバーヘッドをもたらす。
本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。
我々のアーキテクチャは、グラフベースおよびボクセルベースのコンポーネントを組み込んだマルチスケールハイブリッドシステムと、連続的に微分可能なデコーダに基づいている。
さらに、ネットワークはアイコン方程式を解くために訓練され、訓練と推論のためにゼロレベル集合の知識のみを必要とする。
追加のボリュームサンプルはオンザフライで生成でき、教師なしの方法で組み込むことができる。
これは、これまでのほとんどの作業とは対照的に、ネットワークは、非ゼロ距離値や形状占有率の明示的な事前知識なしに、有効な符号付き距離フィールドを出力することができることを意味する。
言い換えれば、ネットワークは境界値の固有方程式の近似解を計算する。
また、一般的な遅延コード最適化の代わりに、推論中に1つのフォワードパスしか必要としない。
さらに, 表面ノルムが十分に定義されていない場合, 例えば, 非水密曲面と非多様体幾何学の文脈において, 損失関数の修正を提案する。
3次元形状の変形, 単一クラスエンコーディング, マルチクラスエンコーディングからなるデータセットに対して, 提案手法の有効性, 汎用性, スケーラビリティを実証し, 幅広い応用可能性を示した。
関連論文リスト
- Optimizing 3D Geometry Reconstruction from Implicit Neural Representations [2.3940819037450987]
暗黙の神経表現は、3D幾何学を学ぶための強力なツールとして登場した。
本稿では,計算コストを削減し,細部を捉える新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-16T16:36:23Z) - N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - Neural Contourlet Network for Monocular 360 Depth Estimation [37.82642960470551]
我々は360度画像の解釈可能かつスパースな表現を構築する新しい視点を提供する。
本稿では,畳み込み型ニューラルネットワークと畳み込み型トランスフォーメーションブランチからなる,畳み込み型ニューラルネットワークを提案する。
エンコーダの段階では、2種類のキューを効果的に融合させる空間スペクトル融合モジュールを設計する。
論文 参考訳（メタデータ） (2022-08-03T02:25:55Z) - Variable Bitrate Neural Fields [75.24672452527795]
本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。
辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
論文 参考訳（メタデータ） (2022-06-15T17:58:34Z) - Dual Octree Graph Networks for Learning Adaptive Volumetric Shape
Representations [21.59311861556396]
本手法は,3次元形状の体積場を,オクツリーによって構成された適応的特徴量で符号化する。
エンコーダ・デコーダネットワークは、オクツリーノードの二重グラフ上のグラフ畳み込みに基づいて、適応的な特徴量を学ぶように設計されている。
提案手法は, 形状詳細を効果的に符号化し, 高速な3次元形状復元を可能にし, 訓練カテゴリから3次元形状をモデル化するための優れた汎用性を示す。
論文 参考訳（メタデータ） (2022-05-05T17:56:34Z) - HyperCube: Implicit Field Representations of Voxelized 3D Models [18.868266675878996]
本稿では,3Dボクセルの直接処理を可能にするHyperCubeアーキテクチャを提案する。
ボクセル内から個々の3Dサンプルを処理するのではなく, 凸座標で表されるボクセル全体を入力できる。
論文 参考訳（メタデータ） (2021-10-12T06:56:48Z) - Neural-Pull: Learning Signed Distance Functions from Point Clouds by
Learning to Pull Space onto Surfaces [68.12457459590921]
3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。
textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
論文 参考訳（メタデータ） (2020-11-26T23:18:10Z) - Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。
ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。
Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文 参考訳（メタデータ） (2020-11-03T02:57:01Z) - On the Effectiveness of Weight-Encoded Neural Implicit 3D Shapes [38.13954772608884]
ニューラル暗黙は、空間内の所定のクエリポイントが内部、外部、または表面にあるかどうかを示す番号を出力する。
従来の研究は_latent-encoded_ Neural implicitsに重点を置いており、特定の形状の潜在ベクトル符号化も入力として提供される。
_weight-encoded_ニューラル暗黙は潜伏ベクトルを抑え、単一形状の詳細に再構成精度を集中させる。
論文 参考訳（メタデータ） (2020-09-17T23:10:19Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。