論文の概要: A Geometric Algorithm for Tubular Shape Reconstruction from Skeletal Representation

• arxiv url: http://arxiv.org/abs/2402.12797v2
• Date: Sat, 11 May 2024 07:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 00:13:55.178235
• Title: A Geometric Algorithm for Tubular Shape Reconstruction from Skeletal Representation
• Title（参考訳）: 骨格表現からの管状形状再構成のための幾何学的アルゴリズム
• Authors: Guoqing Zhang, Yang Li,
• Abstract要約: 骨格表現から管状形状を復元するための新しいアプローチを提案する。 本手法では,全ての骨格点を全体として処理し,入力構造を複数のセグメントに分割する必要がない。
• 参考スコア（独自算出の注目度）: 4.105722858061442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel approach for the reconstruction of tubular shapes from skeletal representations. Our method processes all skeletal points as a whole, eliminating the need for splitting input structure into multiple segments. We represent the tubular shape as a truncated signed distance function (TSDF) in a voxel hashing manner, in which the signed distance between a voxel center and the object is computed through a simple geometric algorithm. Our method does not involve any surface sampling scheme or solving large matrix equations, and therefore is a faster and more elegant solution for tubular shape reconstruction compared to other approaches. Experiments demonstrate the efficiency and effectiveness of the proposed method. Code is avaliable at https://github.com/wlsdzyzl/Dragon.
• Abstract（参考訳）: 骨格表現から管状形状を復元するための新しいアプローチを提案する。 本手法では,全ての骨格点を全体として処理し,入力構造を複数のセグメントに分割する必要がない。 我々は,この管状形状を,ボクセル中心と物体との符号付き距離を簡単な幾何学的アルゴリズムで計算する,ボクセルハッシュ方式で切り離された符号付き距離関数(TSDF)として表現する。 提案手法は, 表面サンプリングスキームや大規模行列方程式の解法を含まないため, 他の手法と比較して管状形状再構成の高速かつエレガントな解法である。 提案手法の有効性と有効性を示す実験を行った。 コードはhttps://github.com/wlsdzyzl/Dragon.orgにある。

関連論文リスト

• A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
  そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。 提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
  論文  参考訳（メタデータ） (2024-09-07T06:37:23Z)
• Curvy: A Parametric Cross-section based Surface Reconstruction [2.1165011830664677]
  本稿では, 平面スパース断面を用いた新しい形状点雲の再構成手法を提案する。 我々は、適応分割を用いたコンパクトなパラメトリックポリライン表現を用いて断面を表現し、グラフニューラルネットワークを用いて学習を行い、基礎となる形状を再構築する。
  論文  参考訳（メタデータ） (2024-09-01T20:15:08Z)
• Coverage Axis++: Efficient Inner Point Selection for 3D Shape Skeletonization [49.47444127373479]
  Coverage Axis++は、3D形状のスケルトン化に対する、新しくて効率的なアプローチである。 メディア軸変換(MAT)の高精度近似を提供する。
  論文  参考訳（メタデータ） (2024-01-23T18:07:07Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状の対応を見つけることは、コンピュータビジョンとグラフィックスにおいて重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• 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)
• Implicit Neural Representation for Mesh-Free Inverse Obstacle Scattering [21.459567997723376]
  多層パーセプトロンのレベルセットとしての形状のインプシット表現は、最近、形状解析、圧縮、再構成タスクで栄えている。 メッシュフリーで逆障害物散乱問題を解決するための暗黙的ニューラルネットワーク表現に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-04T17:16:09Z)
• A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
  本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。 従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:47:47Z)
• Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds [8.156355030558172]
  複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:15:16Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Deep Geometric Functional Maps: Robust Feature Learning for Shape Correspondence [31.840880075039944]
  非剛体3次元形状間の対応性を計算するための新しい学習手法を提案する。 提案手法の鍵となるのは, 生形状から直接学習する特徴抽出ネットワークである。
  論文  参考訳（メタデータ） (2020-03-31T15:20:17Z)

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。