論文の概要: Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models
- arxiv url: http://arxiv.org/abs/2311.17050v1
- Date: Tue, 28 Nov 2023 18:56:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 16:59:59.829778
- Title: Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models
- Title(参考訳): Surf-D:拡散モデルを用いた任意位相のための高品質表面生成
- Authors: Zhengming Yu, Zhiyang Dou, Xiaoxiao Long, Cheng Lin, Zekun Li, Yuan
Liu, Norman M\"uller, Taku Komura, Marc Habermann, Christian Theobalt, Xin
Li, Wenping Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 84.70704129551245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present Surf-D, a novel method for generating high-quality
3D shapes as Surfaces with arbitrary topologies using Diffusion models.
Specifically, we adopt Unsigned Distance Field (UDF) as the surface
representation, as it excels in handling arbitrary topologies, enabling the
generation of complex shapes. While the prior methods explored shape generation
with different representations, they suffer from limited topologies and
geometry details. Moreover, it's non-trivial to directly extend prior diffusion
models to UDF because they lack spatial continuity due to the discrete volume
structure. However, UDF requires accurate gradients for mesh extraction and
learning. To tackle the issues, we first leverage a point-based auto-encoder to
learn a compact latent space, which supports gradient querying for any input
point through differentiation to effectively capture intricate geometry at a
high resolution. Since the learning difficulty for various shapes can differ, a
curriculum learning strategy is employed to efficiently embed various surfaces,
enhancing the whole embedding process. With pretrained shape latent space, we
employ a latent diffusion model to acquire the distribution of various shapes.
Our approach demonstrates superior performance in shape generation across
multiple modalities and conducts extensive experiments in unconditional
generation, category conditional generation, 3D reconstruction from images, and
text-to-shape tasks.
- Abstract(参考訳): 本稿では,拡散モデルを用いて任意の位相をもつ表面として高品質な3d形状を生成する新しい手法であるsurf-dを提案する。
具体的には、任意のトポロジの扱いに優れ、複雑な形状の生成を可能にするため、表面表現としてUnsigned Distance Field (UDF) を採用する。
以前の手法では、異なる表現による形状生成を検討したが、それらは限られたトポロジーと幾何学的詳細に苦しむ。
さらに, 離散体積構造による空間連続性を欠いているため, 先行拡散モデルを直接UDFに拡張することは容易ではない。
しかし、udfはメッシュ抽出と学習に正確な勾配を必要とする。
この問題に対処するために、まず点ベースのオートエンコーダを用いて、任意の入力点に対する勾配クエリをサポートするコンパクトな潜在空間を学習し、複雑な幾何学を高分解能で効果的に捉える。
様々な形状の学習難易度が異なるため、様々な面を効率的に埋め込むためのカリキュラム学習戦略が採用され、埋め込みプロセス全体が強化される。
事前学習した形状潜時空間では,様々な形状の分布を得るために潜時拡散モデルを用いる。
提案手法は,複数モードの形状生成において優れた性能を示し,非条件生成,カテゴリ条件生成,画像からの3次元再構成,テキスト・ツー・シェイプタスクにおいて広範な実験を行う。
関連論文リスト
- Topology-Aware Latent Diffusion for 3D Shape Generation [20.358373670117537]
我々は,潜伏拡散と持続的ホモロジーを組み合わせた新しい生成モデルを導入し,高多様性の3次元形状を創出する。
提案手法では,3次元形状を暗黙の場として表現し,位相的特徴の抽出に永続的ホモロジーを用いる。
論文 参考訳(メタデータ) (2024-01-31T05:13:53Z) - Explorable Mesh Deformation Subspaces from Unstructured Generative
Models [53.23510438769862]
3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。
本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T18:53:57Z) - Hybrid Neural Diffeomorphic Flow for Shape Representation and Generation
via Triplane [16.684276798449115]
HNDFは、基礎となる表現を暗黙的に学習し、複雑な高密度対応を明示的に軸整列三面体特徴に分解する手法である。
新しい3次元形状を直接生成する従来の手法とは異なり、微分同相流による変形テンプレート形状による形状生成の考え方を探求する。
論文 参考訳(メタデータ) (2023-07-04T23:28:01Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳(メタデータ) (2023-03-08T02:36:09Z) - Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and
Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。
具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。
エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文 参考訳(メタデータ) (2023-02-01T02:47:53Z) - NeuralUDF: Learning Unsigned Distance Fields for Multi-view
Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。
本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
論文 参考訳(メタデータ) (2022-11-25T15:21:45Z) - DiffusionSDF: Conditional Generative Modeling of Signed Distance
Functions [42.015077094731815]
DiffusionSDFは、形状の完全化、単一ビュー再構成、および実走査点雲の再構成のための生成モデルである。
我々は、ニューラルネットワークを介して様々な信号(点雲、2次元画像など)の幾何をパラメータ化するために、ニューラルネットワークに署名された距離関数(SDF)を用いる。
論文 参考訳(メタデータ) (2022-11-24T18:59:01Z) - 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) - DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation
of Complex 3D Surfaces [8.104199886760275]
DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。
この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。
論文 参考訳(メタデータ) (2020-11-04T22:49:05Z)
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。