論文の概要: PoNQ: a Neural QEM-based Mesh Representation

• arxiv url: http://arxiv.org/abs/2403.12870v1
• Date: Tue, 19 Mar 2024 16:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 13:34:19.951018
• Title: PoNQ: a Neural QEM-based Mesh Representation
• Title（参考訳）: PoNQ: ニューラルネットワークQEMに基づくメッシュ表現
• Authors: Nissim Maruani, Maks Ovsjanikov, Pierre Alliez, Mathieu Desbrun,
• Abstract要約: 学習可能なメッシュ表現を,局所的な3次元サンプルポイントとその関連する正規値および擬似誤差メトリクス(QEM)を用いて導入する。 グローバルメッシュは、局所的な二次誤差の知識を効率的に活用することにより、PoNQから直接導出される。 SDFグリッドからの学習に基づくメッシュ予測により,PoNQの有効性を示す。
• 参考スコア（独自算出の注目度）: 33.81124790808585
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although polygon meshes have been a standard representation in geometry processing, their irregular and combinatorial nature hinders their suitability for learning-based applications. In this work, we introduce a novel learnable mesh representation through a set of local 3D sample Points and their associated Normals and Quadric error metrics (QEM) w.r.t. the underlying shape, which we denote PoNQ. A global mesh is directly derived from PoNQ by efficiently leveraging the knowledge of the local quadric errors. Besides marking the first use of QEM within a neural shape representation, our contribution guarantees both topological and geometrical properties by ensuring that a PoNQ mesh does not self-intersect and is always the boundary of a volume. Notably, our representation does not rely on a regular grid, is supervised directly by the target surface alone, and also handles open surfaces with boundaries and/or sharp features. We demonstrate the efficacy of PoNQ through a learning-based mesh prediction from SDF grids and show that our method surpasses recent state-of-the-art techniques in terms of both surface and edge-based metrics.
• Abstract（参考訳）: ポリゴンメッシュは幾何処理における標準的な表現であるが、その不規則で組合せ的な性質は、学習ベースのアプリケーションに適合することを妨げている。 本研究では,局所的な3次元サンプルポイントとその関連する正規値および擬似誤差メトリクス(QEM)を用いて,新しい学習可能なメッシュ表現を導入する。 グローバルメッシュは、局所的な二次誤差の知識を効率的に活用することにより、PoNQから直接導出される。 ニューラル形状表現におけるQEMの最初の使用をマークすることに加えて、PoNQメッシュが自己干渉せず、常に体積の境界であることを保証することによって、位相的および幾何学的性質の両方を保証する。 特に、我々の表現は正規格子に依存しず、ターゲット表面だけで直接監督され、また境界や鋭い特徴を持つ開曲面も扱う。 我々は,SDFグリッドからの学習に基づくメッシュ予測によるPoNQの有効性を実証し,この手法が最近の最先端技術を超えていることを示す。

関連論文リスト

• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• SieveNet: Selecting Point-Based Features for Mesh Networks [41.74190660234404]
  メッシュは3Dコンピュータビジョンとグラフィックスで広く使用されているが、その不規則なトポロジは、既存のニューラルネットワークアーキテクチャに適用する際の課題を提起している。 メッシュニューラルネットワークの最近の進歩は、生メッシュを入力としてのみ取り込むパイオニアメソッドの境界を押し付けている。 本稿では、正規位相と正確な幾何学の両方を考慮した新しいパラダイムであるSieveNetを提案する。
  論文  参考訳（メタデータ） (2023-08-24T03:40:16Z)
• Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T02:51:38Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Neural Marching Cubes [14.314650721573743]
  我々は、離散化された暗黙の場から三角形メッシュを抽出するデータ駆動型アプローチであるNeural Marching Cubes (NMC)を紹介する。 我々のネットワークは、限られたフィールドで局所的な特徴を学習し、新しい形状や新しいデータセットによく適応することを示す。
  論文  参考訳（メタデータ） (2021-06-21T17:18:52Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。