論文の概要: Flatten Anything: Unsupervised Neural Surface Parameterization
- arxiv url: http://arxiv.org/abs/2405.14633v2
- Date: Sat, 26 Oct 2024 16:36:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 16:01:14.285875
- Title: Flatten Anything: Unsupervised Neural Surface Parameterization
- Title（参考訳）: 平坦な何か: 教師なしのニューラルサーフェスパラメータ化
- Authors: Qijian Zhang, Junhui Hou, Wenping Wang, Ying He,
- Abstract要約: 本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
- 参考スコア（独自算出の注目度）: 76.4422287292541
- License:
- Abstract: Surface parameterization plays an essential role in numerous computer graphics and geometry processing applications. Traditional parameterization approaches are designed for high-quality meshes laboriously created by specialized 3D modelers, thus unable to meet the processing demand for the current explosion of ordinary 3D data. Moreover, their working mechanisms are typically restricted to certain simple topologies, thus relying on cumbersome manual efforts (e.g., surface cutting, part segmentation) for pre-processing. In this paper, we introduce the Flatten Anything Model (FAM), an unsupervised neural architecture to achieve global free-boundary surface parameterization via learning point-wise mappings between 3D points on the target geometric surface and adaptively-deformed UV coordinates within the 2D parameter domain. To mimic the actual physical procedures, we ingeniously construct geometrically-interpretable sub-networks with specific functionalities of surface cutting, UV deforming, unwrapping, and wrapping, which are assembled into a bi-directional cycle mapping framework. Compared with previous methods, our FAM directly operates on discrete surface points without utilizing connectivity information, thus significantly reducing the strict requirements for mesh quality and even applicable to unstructured point cloud data. More importantly, our FAM is fully-automated without the need for pre-cutting and can deal with highly-complex topologies, since its learning process adaptively finds reasonable cutting seams and UV boundaries. Extensive experiments demonstrate the universality, superiority, and inspiring potential of our proposed neural surface parameterization paradigm. Our code is available at https://github.com/keeganhk/FlattenAnything.
- Abstract（参考訳）: 表面のパラメータ化は多くのコンピュータグラフィックスや幾何処理アプリケーションにおいて重要な役割を担っている。
従来のパラメータ化アプローチは、特殊な3Dモデリング者が精力的に作成した高品質メッシュのために設計されており、通常の3Dデータの現在の爆発に対する処理要求を満たすことができない。
さらに、その動作メカニズムは一般に特定の単純なトポロジに制限されるため、前処理に煩雑な手作業(例えば、表面切断、部分分割)に依存する。
本稿では,FAM(Flatten Anything Model)を提案する。FAM(Flatten Anything Model)は,対象の幾何学的曲面上の3D点と2Dパラメータ領域内の適応的に変形したUV座標とのポイントワイズマッピングを学習することで,グローバルな自由境界面パラメータ化を実現するニューラルネットワークである。
実際の物理手順を模倣するため, 表面切削, 紫外線変形, 引抜き, 包帯の機能を持った幾何学的に解釈可能なサブネットワークを構築し, 双方向のサイクルマッピングフレームワークに組み立てた。
従来手法と比較して,FAMは接続情報を使わずに個別の面上で直接動作し,メッシュ品質の厳しい要件を著しく低減し,非構造化点クラウドデータにも適用可能である。
さらに重要なことは、私たちのFAMは完全に自動化されており、プレカットを必要とせず、その学習プロセスは合理的な切断シームとUV境界を適応的に見つけるので、高度に複雑なトポロジを扱うことができます。
広汎な実験は、提案したニューラルサーフェスパラメーター化パラダイムの普遍性、優越性、および刺激力を示す。
私たちのコードはhttps://github.com/keeganhk/FlattenAnything.comで利用可能です。
関連論文リスト
- NASM: Neural Anisotropic Surface Meshing [38.8654207201197]
本稿では、異方性表面メッシュのための学習に基づく新しい手法NASMを提案する。
鍵となるアイデアは、入力メッシュを高次元ユークリッド埋め込み空間に埋め込み、曲率ベースの異方性計量を保存することである。
そこで,本研究では,新たに生成した高次元埋め込みにおける特徴感リメッシングを提案し,鮮明な幾何学的特徴を自動キャプチャする。
論文 参考訳（メタデータ） (2024-10-30T15:20:10Z) - InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction [15.900375207144759]
多視点画像からの3次元表面再構成はシーン理解とインタラクションに不可欠である。
ニューラルレージアンス場(NeRF)や符号付き距離関数(SDF)といった近年の暗黙的な表面表現は、観測情報の欠如を解決するために様々な幾何学的先行法を用いている。
本稿では,高度に相関したシーンポイントの表面正規化における相互情報を明確に促進することにより,幾何学的モデリングの正規化を提案する。
論文 参考訳（メタデータ） (2024-07-17T15:46:25Z) - 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) - Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。
我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文 参考訳（メタデータ） (2023-08-10T06:40:19Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - Learning Neural Implicit Representations with Surface Signal
Parameterizations [14.835882967340968]
本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。
私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
論文 参考訳（メタデータ） (2022-11-01T15:10:58Z) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-13T16:39:53Z) - Deep Active Surface Models [60.027353171412216]
アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。
グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
論文 参考訳（メタデータ） (2020-11-17T18:48:28Z)
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。