論文の概要: PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models

• arxiv url: http://arxiv.org/abs/2312.11417v1
• Date: Mon, 18 Dec 2023 18:19:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 19:10:30.979970
• Title: PolyDiff: Generating 3D Polygonal Meshes with Diffusion Models
• Title（参考訳）: PolyDiff: 拡散モデルによる3次元多角形メッシュの生成
• Authors: Antonio Alliegro, Yawar Siddiqui, Tatiana Tommasi, Matthias Nie{\ss}ner
• Abstract要約: PolyDiffは、現実的で多様な3Dポリゴンメッシュを直接生成できる最初の拡散ベースのアプローチである。 我々のモデルは、下流3Dに統合可能な高品質な3D多角形メッシュを生成することができる。
• 参考スコア（独自算出の注目度）: 15.846449180313778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce PolyDiff, the first diffusion-based approach capable of directly generating realistic and diverse 3D polygonal meshes. In contrast to methods that use alternate 3D shape representations (e.g. implicit representations), our approach is a discrete denoising diffusion probabilistic model that operates natively on the polygonal mesh data structure. This enables learning of both the geometric properties of vertices and the topological characteristics of faces. Specifically, we treat meshes as quantized triangle soups, progressively corrupted with categorical noise in the forward diffusion phase. In the reverse diffusion phase, a transformer-based denoising network is trained to revert the noising process, restoring the original mesh structure. At inference, new meshes can be generated by applying this denoising network iteratively, starting with a completely noisy triangle soup. Consequently, our model is capable of producing high-quality 3D polygonal meshes, ready for integration into downstream 3D workflows. Our extensive experimental analysis shows that PolyDiff achieves a significant advantage (avg. FID and JSD improvement of 18.2 and 5.8 respectively) over current state-of-the-art methods.
• Abstract（参考訳）: 現実的で多様な3次元多角形メッシュを直接生成できる最初の拡散に基づくアプローチであるPolyDiffを紹介する。 代替3次元形状表現(暗黙的表現など)を使用する手法とは対照的に,本手法は多角形メッシュデータ構造をネイティブに動作させる離散微分拡散確率モデルである。 これにより、頂点の幾何学的性質と顔の位相特性の両方を学ぶことができる。 具体的には, メッシュを量化された三角形スープとして扱い, 前方拡散相におけるカテゴリーノイズにより徐々に劣化する。 逆拡散相では、変圧器に基づく復調ネットワークがトレーニングされ、元のメッシュ構造を復元する。 推測では、完全にノイズの多い三角形のスープから始まるこのデノナイジングネットワークを反復的に適用することで、新しいメッシュを生成することができる。 これにより、下流3Dワークフローに統合可能な高品質な3D多角形メッシュを生成できる。 以上の結果から, ポリディフは現状の手法に比べて大きな優位性(FIDおよびJSDの改善18.2および5.8)を達成できた。

関連論文リスト

• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• 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)
• MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
  本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。 メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。 具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-14T17:59:01Z)
• 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)
• 3D Neural Field Generation using Triplane Diffusion [37.46688195622667]
  ニューラルネットワークの3次元認識のための効率的な拡散ベースモデルを提案する。 当社のアプローチでは,ShapeNetメッシュなどのトレーニングデータを,連続的占有フィールドに変換することによって前処理する。 本論文では,ShapeNetのオブジェクトクラスにおける3D生成の現状について述べる。
  論文  参考訳（メタデータ） (2022-11-30T01:55:52Z)
• Neural Wavelet-domain Diffusion for 3D Shape Generation [52.038346313823524]
  本稿では,ウェーブレット領域における連続的暗黙表現の直接生成モデリングを可能にする3次元形状生成の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。
  論文  参考訳（メタデータ） (2022-09-19T02:51:48Z)
• 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)
• 3D Shape Generation and Completion through Point-Voxel Diffusion [24.824065748889048]
  3次元形状の確率的生成モデリングのための新しいアプローチを提案する。 Point-Voxel Diffusion (PVD) は、無条件形状生成と条件付き多モード形状完成のための統一的確率的定式化である。 PVDは、観測点雲データからガウスノイズへの拡散過程を逆転させ、(条件付き)確率関数に束縛された変動下限を最適化することにより、一連のデノナイズステップと見なすことができる。
  論文  参考訳（メタデータ） (2021-04-08T10:38:03Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。