論文の概要: CNS-Edit: 3D Shape Editing via Coupled Neural Shape Optimization

• arxiv url: http://arxiv.org/abs/2402.02313v1
• Date: Sun, 4 Feb 2024 01:52:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 20:53:53.321297
• Title: CNS-Edit: 3D Shape Editing via Coupled Neural Shape Optimization
• Title（参考訳）: CNS-Edit: 結合型ニューラル形状最適化による3次元形状編集
• Authors: Jingyu Hu, Ka-Hei Hui, Zhengzhe Liu, Hao Zhang, Chi-Wing Fu
• Abstract要約: 本稿では、3次元形状編集を潜在空間で暗黙的に行うために,結合表現とニューラルボリューム最適化に基づく新しい手法を提案する。 まず,3次元形状編集を支援する結合型ニューラル形状表現を設計する。 第二に、結合したニューラルネットワークの形状最適化手順を定式化し、編集操作対象の2つの結合した成分を協調最適化する。
• 参考スコア（独自算出の注目度）: 56.47175002368553
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a new approach based on a coupled representation and a neural volume optimization to implicitly perform 3D shape editing in latent space. This work has three innovations. First, we design the coupled neural shape (CNS) representation for supporting 3D shape editing. This representation includes a latent code, which captures high-level global semantics of the shape, and a 3D neural feature volume, which provides a spatial context to associate with the local shape changes given by the editing. Second, we formulate the coupled neural shape optimization procedure to co-optimize the two coupled components in the representation subject to the editing operation. Last, we offer various 3D shape editing operators, i.e., copy, resize, delete, and drag, and derive each into an objective for guiding the CNS optimization, such that we can iteratively co-optimize the latent code and neural feature volume to match the editing target. With our approach, we can achieve a rich variety of editing results that are not only aware of the shape semantics but are also not easy to achieve by existing approaches. Both quantitative and qualitative evaluations demonstrate the strong capabilities of our approach over the state-of-the-art solutions.
• Abstract（参考訳）: 本稿では,隠れ空間で暗黙的に3次元形状編集を行うための結合表現とニューラルボリューム最適化に基づく新しい手法を提案する。 この作品には3つの革新がある。 まず,3次元形状編集を支援するために,結合型ニューラル形状(CNS)表現を設計する。 この表現は、形状の高レベルなグローバルな意味をキャプチャする潜在コードと、編集によって与えられる局所的な形状変化に関連付ける空間的コンテキストを提供する3Dニューラル特徴量とを含む。 第2に,結合されたニューラルネットワーク形状最適化手順を定式化し,編集操作対象の表現における2つの結合成分を共最適化する。 最後に、様々な3次元形状編集演算子、すなわち、コピー、リサイズ、削除、ドラッグを提供し、それぞれをCNS最適化を導く目的へと導出する。 提案手法では,形状のセマンティクスを意識するだけでなく,既存のアプローチでは容易には達成できないような,多種多様な編集結果が得られる。 定量的および定性的な評価は、最先端のソリューションに対する我々のアプローチの強みを示すものである。

関連論文リスト

• SERF: Fine-Grained Interactive 3D Segmentation and Editing with Radiance Fields [92.14328581392633]
  放射場を用いた対話型3Dセグメンテーションと編集アルゴリズムを新たに導入し,これをSERFと呼ぶ。 提案手法では,マルチビューアルゴリズムと事前学習した2Dモデルを統合することにより,ニューラルネットワーク表現を生成する。 この表現に基づいて,局所的な情報を保存し,変形に頑健な新しい表面レンダリング技術を導入する。
  論文  参考訳（メタデータ） (2023-12-26T02:50:42Z)
• Neural Impostor: Editing Neural Radiance Fields with Explicit Shape Manipulation [49.852533321916844]
  マルチグリッドの暗黙の場とともに、明示的な四面体メッシュを組み込んだハイブリッド表現であるNeural Impostorを導入する。 我々のフレームワークは、多グリッドのバリ中心座標符号化を利用して、暗黙のフィールドの明示的な形状操作と幾何的編集を橋渡しする。 合成オブジェクトと実際のキャプチャデータの両方を編集するなど、多様な例や実験を通して、システムの堅牢性と適応性を示す。
  論文  参考訳（メタデータ） (2023-10-09T04:07:00Z)
• 3Deformer: A Common Framework for Image-Guided Mesh Deformation [27.732389685912214]
  ソース3Dメッシュにセマンティック素材とユーザが指定したセマンティックイメージが与えられた場合、3Deformerはソースメッシュを正確に編集することができる。 私たちの3Deformerは素晴らしい結果をもたらし、最先端のレベルに達することができます。
  論文  参考訳（メタデータ） (2023-07-19T10:44:44Z)
• Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
  本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。 Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。 変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
  論文  参考訳（メタデータ） (2022-11-28T17:55:34Z)
• 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)
• Learning to generate shape from global-local spectra [0.0]
  我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。 我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。 提案手法は既存手法や代替手法と比較して改善された。
  論文  参考訳（メタデータ） (2021-08-04T16:39:56Z)
• Editing Conditional Radiance Fields [40.685602081728554]
  ニューラルラジアンスフィールド(NeRF)は、シーンごとに最適化された高品質のビュー合成をサポートするシーンモデルです。 本稿では,形状カテゴリで学習したカテゴリレベルのnrfのユーザ編集を可能にすることを検討する。 局所領域の色や形状を変更するために,粗い2次元ユーザスクリブルを3次元空間に伝播させる手法を提案する。
  論文  参考訳（メタデータ） (2021-05-13T17:59:48Z)
• Training Data Generating Networks: Shape Reconstruction via Bi-level Optimization [52.17872739634213]
  単一画像からの3次元形状再構成のための新しい3次元形状表現を提案する。 ネットワークをトレーニングしてトレーニングセットを生成し、別の学習アルゴリズムに入力して形状を定義します。
  論文  参考訳（メタデータ） (2020-10-16T09:52:13Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。