論文の概要: Implicit-ARAP: Efficient Handle-Guided Neural Field Deformation via Local Patch Meshing
- arxiv url: http://arxiv.org/abs/2405.12895v3
- Date: Mon, 29 Sep 2025 10:40:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 14:13:47.097435
- Title: Implicit-ARAP: Efficient Handle-Guided Neural Field Deformation via Local Patch Meshing
- Title（参考訳）: Implicit-ARAP:局所パッチ・メッシュによる手動誘導型ニューラルネットワークの効率的な変形
- Authors: Daniele Baieri, Filippo Maggioli, Emanuele Rodolà, Simone Melzi, Zorah Lähner,
- Abstract要約: 本稿では,ハンドル誘導型ニューラルフィールド変形の新しい手法を提案する。
本手法は, 変形品質, 頑健性, 計算効率において, ベースラインを一貫して上回ることを示す。
我々の研究は、スケーラブルで高品質なニューラルフィールドの変形を可能にし、他の幾何学的タスクをニューラルドメインに拡張する方法を舗装する。
- 参考スコア（独自算出の注目度）: 28.18717572319709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural fields have emerged as a powerful representation for 3D geometry, enabling compact and continuous modeling of complex shapes. Despite their expressive power, manipulating neural fields in a controlled and accurate manner -- particularly under spatial constraints -- remains an open challenge, as existing approaches struggle to balance surface quality, robustness, and efficiency. We address this by introducing a novel method for handle-guided neural field deformation, which leverages discrete local surface representations to optimize the As-Rigid-As-Possible deformation energy. To this end, we propose the local patch mesh representation, which discretizes level sets of a neural signed distance field by projecting and deforming flat mesh patches guided solely by the SDF and its gradient. We conduct a comprehensive evaluation showing that our method consistently outperforms baselines in deformation quality, robustness, and computational efficiency. We also present experiments that motivate our choice of discretization over marching cubes. By bridging classical geometry processing and neural representations through local patch meshing, our work enables scalable, high-quality deformation of neural fields and paves the way for extending other geometric tasks to neural domains.
- Abstract（参考訳）: ニューラルネットワークは3次元幾何学の強力な表現として現れ、複雑な形状のコンパクトで連続的なモデリングを可能にしている。
その表現力にもかかわらず、制御され、特に空間的な制約の下で、ニューラルネットワークを操作することはオープンな課題であり、既存のアプローチは、表面品質、堅牢性、効率性のバランスをとるのに苦労している。
As-Rigid-As-Possible変形エネルギーを最適化するために、離散的な局所曲面表現を利用するハンドガイド型ニューラルネットワーク変形の新しい手法を導入することで、この問題に対処する。
そこで本研究では,SDFとその勾配にのみ導かれる平坦なメッシュパッチを投影・変形することにより,ニューラルサインされた距離場のレベルセットを識別する局所的パッチメッシュ表現を提案する。
本手法は, 変形品質, 堅牢性, 計算効率において, ベースラインを一貫して上回っていることを示す総合評価を行う。
また、行進立方体に対する離散化の選択を動機付ける実験も提案する。
局所的なパッチメッシュによって古典的な幾何学処理とニューラル表現をブリッジすることで、我々の研究は、スケーラブルで高品質なニューラルフィールドの変形を可能にし、他の幾何学的タスクをニューラルドメインに拡張する方法を舗装する。
関連論文リスト
- Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。
本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。
合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-03-31T02:27:02Z) - SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。
SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
論文 参考訳（メタデータ） (2025-03-27T17:46:42Z) - Mesh Denoising Transformer [104.5404564075393]
Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。
SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。
局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。
Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
論文 参考訳（メタデータ） (2024-05-10T15:27:43Z) - GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。
我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。
提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-03-17T20:06:41Z) - PRS: Sharp Feature Priors for Resolution-Free Surface Remeshing [30.28380889862059]
本稿では,自動特徴検出とリメッシングのためのデータ駆動方式を提案する。
提案アルゴリズムは,Fスコアの26%,知覚値の42%がtextRMSE_textv$である。
論文 参考訳（メタデータ） (2023-11-30T12:15:45Z) - Explicit Neural Surfaces: Learning Continuous Geometry With Deformation
Fields [33.38609930708073]
本稿では、既知の基底領域からの変形場と位相をエンコードする効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。
暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
論文 参考訳（メタデータ） (2023-06-05T15:24:33Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - 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) - DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文 参考訳（メタデータ） (2021-06-20T20:12:41Z) - Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by
Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。
この目標をシンプルで効果的な設計で効果的に達成できることを示す。
論文 参考訳（メタデータ） (2021-05-08T03:35:32Z) - 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) - A deep learning approach for the computation of curvature in the
level-set method [0.0]
そこで本研究では,2次元暗黙曲線の平均曲率をレベルセット法で推定する手法を提案する。
我々のアプローチは、様々な解像度の均一な格子に没入した円柱から構築された合成データセットにフィードフォワードニューラルネットワークを適合させることに基づいている。
論文 参考訳（メタデータ） (2020-02-04T00:49:47Z)
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。