論文の概要: Polyhedral Surface: Self-supervised Point Cloud Reconstruction Based on Polyhedral Surface

• arxiv url: http://arxiv.org/abs/2310.14560v1
• Date: Mon, 23 Oct 2023 04:24:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 22:28:09.370885
• Title: Polyhedral Surface: Self-supervised Point Cloud Reconstruction Based on Polyhedral Surface
• Title（参考訳）: 多面体表面:多面体表面に基づく自己制御点雲再構成
• Authors: Hui Tian, Kai Xu
• Abstract要約: 局所表面を表す新しい多面体表面を提案する。 ニューラルネットワークを導入する上で重要な局所座標系は不要である。 提案手法は,3つの一般的なネットワーク上での最先端の処理結果を実現する。
• 参考スコア（独自算出の注目度）: 14.565612328814312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud reconstruction from raw point cloud has been an important topic in computer graphics for decades, especially due to its high demand in modeling and rendering applications. An important way to solve this problem is establishing a local geometry to fit the local curve. However, previous methods build either a local plane or polynomial curve. Local plane brings the loss of sharp feature and the boundary artefacts on open surface. Polynomial curve is hard to combine with neural network due to the local coordinate consistent problem. To address this, we propose a novel polyhedral surface to represent local surface. This method provides more flexible to represent sharp feature and surface boundary on open surface. It does not require any local coordinate system, which is important when introducing neural networks. Specifically, we use normals to construct the polyhedral surface, including both dihedral and trihedral surfaces using 2 and 3 normals, respectively. Our method achieves state-of-the-art results on three commonly used datasets (ShapeNetCore, ABC, and ScanNet). Code will be released upon acceptance.
• Abstract（参考訳）: 原点クラウドからのポイントクラウドの再構築は、特にモデリングとレンダリングアプリケーションに対する高い需要のため、コンピュータグラフィックスにおいて何十年も重要なトピックであった。 この問題を解決する重要な方法は局所曲線に適合する局所幾何学を確立することである。 しかし、従来の手法は局所平面あるいは多項式曲線を構築する。 局所平面は、開面上の鋭い特徴と境界アーチファクトの損失をもたらす。 多項式曲線は局所座標一貫した問題のためにニューラルネットワークと組み合わせるのは難しい。 そこで本研究では,局所表面を表す新しい多面体表面を提案する。 この方法は、開面上の鋭い特徴と表面境界を表現するためにより柔軟に提供される。 局所座標系は不要であり、ニューラルネットワークを導入する際に重要である。 具体的には,2次元と3次元の2面と3次元の2面を含む多面体表面を構成するのに普通を用いる。 本手法は,一般的に使用される3つのデータセット (shapenetcore, abc, scannet) において最先端の結果を得る。 コードは受理時にリリースされる。

関連論文リスト

• An Adaptive Screen-Space Meshing Approach for Normal Integration [0.0]
  この研究は、画像領域に適応的な表面三角測量を導入し、その後、三角形メッシュ上で通常の積分を行う。 曲率に基づいて、平坦な領域を識別し、画素を三角形に集約する。 ピクセルグリッドと比較して、トライアングルメッシュは表面の詳細に局所的に適応し、スペーサー表現を可能にします。
  論文  参考訳（メタデータ） (2024-09-25T13:12:58Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• 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)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction [2.821829060100186]
  ポイントクラウドアップサンプリングのための新しいディープラーニングアーキテクチャを紹介します。 対応する点正規度を持つ低密度の雑音点雲を用いて、高密度および随伴点正規度を持つ点雲を推定する。
  論文  参考訳（メタデータ） (2021-02-26T10:58:26Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。