論文の概要: Topology-Aware Latent Diffusion for 3D Shape Generation
- arxiv url: http://arxiv.org/abs/2401.17603v1
- Date: Wed, 31 Jan 2024 05:13:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 15:41:54.876351
- Title: Topology-Aware Latent Diffusion for 3D Shape Generation
- Title（参考訳）: 3次元形状生成のためのトポロジー認識潜在拡散
- Authors: Jiangbei Hu, Ben Fei, Baixin Xu, Fei Hou, Weidong Yang, Shengfa Wang,
Na Lei, Chen Qian, Ying He
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.358373670117537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new generative model that combines latent diffusion with
persistent homology to create 3D shapes with high diversity, with a special
emphasis on their topological characteristics. Our method involves representing
3D shapes as implicit fields, then employing persistent homology to extract
topological features, including Betti numbers and persistence diagrams. The
shape generation process consists of two steps. Initially, we employ a
transformer-based autoencoding module to embed the implicit representation of
each 3D shape into a set of latent vectors. Subsequently, we navigate through
the learned latent space via a diffusion model. By strategically incorporating
topological features into the diffusion process, our generative module is able
to produce a richer variety of 3D shapes with different topological structures.
Furthermore, our framework is flexible, supporting generation tasks constrained
by a variety of inputs, including sparse and partial point clouds, as well as
sketches. By modifying the persistence diagrams, we can alter the topology of
the shapes generated from these input modalities.
- Abstract（参考訳）: 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次元形状を創出し,そのトポロジ的特徴を特に強調する。
本手法では, 3次元形状を暗黙的場として表現し, 連続ホモロジーを用いてベッチ数や持続性図などの位相的特徴を抽出する。
形状生成プロセスは2つのステップからなる。
まず,変換器をベースとした自動符号化モジュールを用いて,各3次元形状の暗黙表現を潜在ベクトルの集合に埋め込む。
その後、拡散モデルを通して学習された潜在空間をナビゲートする。
拡散過程にトポロジ的特徴を戦略的に組み込むことで, 生成モジュールは, 異なるトポロジ的構造を持つより豊富な3次元形状を生成できる。
さらに、我々のフレームワークは柔軟性があり、スライスや部分的ポイントクラウドを含む様々な入力によって制約された生成タスクやスケッチをサポートする。
パーシステンスダイアグラムを変更することで、これらの入力モダリティから生成される形状のトポロジーを変更することができる。
関連論文リスト
- NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。
既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。
本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-27T04:09:34Z) - 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 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) - 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) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。
我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。
提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
論文 参考訳（メタデータ） (2020-11-30T06:01:49Z)
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。