Fugu-MT 論文翻訳(概要): Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes

論文の概要: Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes

arxiv url: http://arxiv.org/abs/2403.01414v2
Date: Mon, 1 Apr 2024 05:44:41 GMT
ステータス: 処理完了
システム内更新日: 2024-04-04 08:29:27.808569
Title: Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes
Title（参考訳）: 非符号直交距離場:横3次元形状の正確なニューラルインプシット表現
Authors: Yujie Lu, Long Wan, Nayu Ding, Yulong Wang, Shuhan Shen, Shen Cai, Lin Gao,
Abstract要約: 本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。 UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
参考スコア（独自算出の注目度）: 29.65562721329593
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural implicit representation of geometric shapes has witnessed considerable advancements in recent years. However, common distance field based implicit representations, specifically signed distance field (SDF) for watertight shapes or unsigned distance field (UDF) for arbitrary shapes, routinely suffer from degradation of reconstruction accuracy when converting to explicit surface points and meshes. In this paper, we introduce a novel neural implicit representation based on unsigned orthogonal distance fields (UODFs). In UODFs, the minimal unsigned distance from any spatial point to the shape surface is defined solely in one orthogonal direction, contrasting with the multi-directional determination made by SDF and UDF. Consequently, every point in the 3D UODFs can directly access its closest surface points along three orthogonal directions. This distinctive feature leverages the accurate reconstruction of surface points without interpolation errors. We verify the effectiveness of UODFs through a range of reconstruction examples, extending from simple watertight or non-watertight shapes to complex shapes that include hollows, internal or assembling structures.
Abstract（参考訳）: 幾何学的形状のニューラルな暗黙の表現は、近年かなりの進歩をみせている。しかし、共通距離場に基づく暗黙的表現、特に水密形状の符号付き距離場(SDF)や任意の形状の符号なし距離場(UDF)は、明示的な表面点やメッシュに変換する際に、通常、再構成精度の低下に悩まされる。本稿では,符号なし直交距離場(UODF)に基づく新しい暗黙表現を提案する。 UODFでは、任意の空間点から形状面までの最小符号なし距離は、SDFとUDFによる多方向決定とは対照的に、1つの直交方向のみに定義される。したがって、3D UODFのすべての点は、3つの直交方向に沿って、その最も近い表面点に直接アクセスすることができる。この特徴は補間誤差を伴わずに表面点の正確な再構成を利用する。簡単な水密形状や非水密形状から,ホロウ,内装構造,組立構造を含む複雑な形状まで,様々な再構築例を通してUODFの有効性を検証する。

関連論文リスト

Gradient Distance Function [52.615859148238464]
また,GDF (Gradient Distance Function) は表面上での微分可能でありながら,開口面を表現可能であることを示す。これは、ノルムが表面への符号のない距離である3Dベクトルをそれぞれ3Dポイントに関連付けることによって行われる。本稿では,ShapeNet Car,Multi-Garment,および3D-SceneデータセットにおけるGDFの有効性を示す。
論文参考訳（メタデータ） (2024-10-29T18:04:01Z)
Probabilistic Directed Distance Fields for Ray-Based Shape Representations [8.134429779950658]
Directed Distance Fields (DDF) は、古典的な距離場の上に構築された新しいニューラルな形状表現である。基礎分野における本質的な不連続性をモデル化する方法を示す。次に, 単一形状のフィッティング, 生成モデリング, 単一像の3次元再構成など, DDFを応用した。
論文参考訳（メタデータ） (2024-04-13T21:02:49Z)
DDF-HO: Hand-Held Object Reconstruction via Conditional Directed Distance Field [82.81337273685176]
DDF-HOは、DDF(Directed Distance Field)を形状表現として活用する新しいアプローチである。我々はランダムに複数の光線をサンプリングし、新しい2D線に基づく特徴集約方式を導入することにより、局所的・大域的特徴を収集する。合成および実世界のデータセットの実験は、DFF-HOが全てのベースライン手法を大きなマージンで一貫して上回っていることを示している。
論文参考訳（メタデータ） (2023-08-16T09:06:32Z)
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)
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)
NeuralODF: Learning Omnidirectional Distance Fields for 3D Shape Representation [7.208066405543874]
ビジュアルコンピューティングでは、3D幾何はメッシュ、点雲、ボクセルグリッド、レベルセット、深度画像など様々な形で表現される。オムニ距離場(Omni Distance Fields, ODFs)は, 物体表面の深度を任意の3次元位置から任意の視方向から保存することにより, 形状を符号化する新しい3次元形状表現である。
論文参考訳（メタデータ） (2022-06-12T20:59:26Z)
Representing 3D Shapes with Probabilistic Directed Distance Fields [7.528141488548544]
暗黙的なアーキテクチャ内での高速な微分可能なレンダリングを可能にする新しい形状表現を開発する。基礎分野における本質的な不連続性をモデル化する方法を示す。また, 単一形状の3次元画像モデリング, 単一画像再構成作業にも適用した。
論文参考訳（メタデータ） (2021-12-10T02:15:47Z)
Learning Anchored Unsigned Distance Functions with Gradient Direction Alignment for Single-view Garment Reconstruction [92.23666036481399]
本稿では,1枚の画像から3次元衣料品を復元するための,学習可能なアンコレットアンサイン距離関数 (AnchorUDF) 表現を提案する。 AnchorUDFは符号のない距離場(UDF)を予測して3次元形状を表現し、任意の解像度でオープンな衣服表面モデリングを可能にする。
論文参考訳（メタデータ） (2021-08-19T03:45:38Z)
A Deep Signed Directional Distance Function for Object Shape Representation [12.741811850885309]
本稿では,連続符号付き方向距離関数(SDDF)を最適化することにより,新しい距離ビューを可能にする新しい形状モデルを提案する。任意の方向に最も近い表面までの距離を測定するSDFとは異なり、SDDFは所定の方向に距離を測定する。本モデルは,SDDF値が視方向に沿って直線的に減少する特性を構成によって符号化する。
論文参考訳（メタデータ） (2021-07-23T04:11:59Z)
Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
論文参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。