論文の概要: NeurCADRecon: Neural Representation for Reconstructing CAD Surfaces by Enforcing Zero Gaussian Curvature
- arxiv url: http://arxiv.org/abs/2404.13420v1
- Date: Sat, 20 Apr 2024 16:36:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:00:27.607333
- Title: NeurCADRecon: Neural Representation for Reconstructing CAD Surfaces by Enforcing Zero Gaussian Curvature
- Title（参考訳）: NeurCADRecon:ゼロガウス曲率によるCAD表面再構成のためのニューラル表現
- Authors: Qiujie Dong, Rui Xu, Pengfei Wang, Shuangmin Chen, Shiqing Xin, Xiaohong Jia, Wenping Wang, Changhe Tu,
- Abstract要約: 低品質の無向点雲からのCADモデルの高忠実化は依然として大きな課題である。
本稿では,CADモデルの表面が概ね断片的な表面パッチで構成されているという先行的な観察に基づいて,この問題に対処する。
我々のアプローチはNeurCADReconと呼ばれており、その損失にはガウス曲率を0。
- 参考スコア（独自算出の注目度）: 42.39976072777987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite recent advances in reconstructing an organic model with the neural signed distance function (SDF), the high-fidelity reconstruction of a CAD model directly from low-quality unoriented point clouds remains a significant challenge. In this paper, we address this challenge based on the prior observation that the surface of a CAD model is generally composed of piecewise surface patches, each approximately developable even around the feature line. Our approach, named NeurCADRecon, is self-supervised, and its loss includes a developability term to encourage the Gaussian curvature toward 0 while ensuring fidelity to the input points. Noticing that the Gaussian curvature is non-zero at tip points, we introduce a double-trough curve to tolerate the existence of these tip points. Furthermore, we develop a dynamic sampling strategy to deal with situations where the given points are incomplete or too sparse. Since our resulting neural SDFs can clearly manifest sharp feature points/lines, one can easily extract the feature-aligned triangle mesh from the SDF and then decompose it into smooth surface patches, greatly reducing the difficulty of recovering the parametric CAD design. A comprehensive comparison with existing state-of-the-art methods shows the significant advantage of our approach in reconstructing faithful CAD shapes.
- Abstract（参考訳）: ニューラルサイン付き距離関数(SDF)を用いた有機モデル再構成の最近の進歩にもかかわらず、CADモデルを低品質の無向点雲から直接高忠実に再構成することは大きな課題である。
本稿では,CADモデルの表面が概ね片方向のパッチで構成されており,それぞれが特徴線周辺でもほぼ展開可能であるという先行観測に基づいて,この問題に対処する。
提案手法はNeurCADReconという自己監督型であり,その損失にはガウス曲率を0に向けて促進し,入力点への忠実度を確保できる発展性項を含む。
ガウス曲率が先端点でゼロでないことに注意し、これらの先端点の存在を許容する二重トラフ曲線を導入する。
さらに,与えられた点が不完全あるいは疎小である状況に対処するための動的サンプリング戦略を開発する。
得られた神経SDFは、鋭い特徴点/線をはっきりと表すことができるため、特徴整列メッシュをSDFから抽出し、滑らかな表面パッチに分解し、パラメトリックCAD設計の回収の難しさを大幅に軽減することができる。
既存の最先端手法と総合的に比較すると,忠実CAD形状の再構築において,我々のアプローチの顕著な利点が示される。
関連論文リスト
- AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。
本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文 参考訳（メタデータ） (2024-10-02T03:10:38Z) - 3D Neural Edge Reconstruction [61.10201396044153]
本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。
多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。
この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:23:51Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse
Input Views [41.03837477483364]
本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。
具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。
DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2023-12-21T16:04:45Z) - Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds [26.10631058349939]
本稿では,分割点雲と構造CADモデルのギャップを埋めるハイブリッド解析ニューラルネットワーク再構成手法を提案する。
また,自由曲面の暗黙的表現を新たに提案し,CAD再構成方式の性能向上を図る。
論文 参考訳（メタデータ） (2023-12-07T08:23:44Z) - Neural-Singular-Hessian: Implicit Neural Representation of Unoriented
Point Clouds by Enforcing Singular Hessian [44.28251558359345]
我々は点雲から表面を再構築するための新しいアプローチを提案する。
提案手法は, 表面近傍の点と表面の射影点との勾配を整列し, わずか数回の反復で粗いが忠実な形状となる。
論文 参考訳（メタデータ） (2023-09-04T20:10:38Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳（メタデータ） (2023-08-03T13:56:07Z) - Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。
我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。
本手法は,高精度な表面を細部で再構成し,その性能を向上する。
論文 参考訳（メタデータ） (2022-11-21T10:06:09Z) - PVSeRF: Joint Pixel-, Voxel- and Surface-Aligned Radiance Field for
Single-Image Novel View Synthesis [52.546998369121354]
シングルビューRGB画像からニューラル放射場を再構成する学習フレームワークPVSeRFを提案する。
本稿では,明示的な幾何学的推論を取り入れ,放射場予測のための画素アラインな特徴と組み合わせることを提案する。
このような幾何学的特徴の導入は、外観と幾何学の絡み合いを改善するのに有効であることを示す。
論文 参考訳（メタデータ） (2022-02-10T07:39:47Z) - CAD-PU: A Curvature-Adaptive Deep Learning Solution for Point Set
Upsampling [33.61863896931608]
ポイントセット・アップサンプリングは、密度と規則性を高めることを目的としている。
入力点と出力点の曲面近似誤差境界をペアにすることで、目的に重要な因子を同定する。
本稿では、曲率適応型特徴拡張モジュールであるCAD-PU(Curvature-adaptive Point set Upsampling Network)の設計を提案する。
論文 参考訳（メタデータ） (2020-09-10T04:03:19Z)
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。