論文の概要: Robust Biharmonic Skinning Using Geometric Fields

• arxiv url: http://arxiv.org/abs/2406.00238v2
• Date: Wed, 05 Feb 2025 20:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:29:48.852292
• Title: Robust Biharmonic Skinning Using Geometric Fields
• Title（参考訳）: 幾何学的場を用いたロバストバイハーモニックスキニング
• Authors: Ana Dodik, Vincent Sitzmann, Justin Solomon, Oded Stein,
• Abstract要約: スキンニングの手法はメッシュにまたがる各自由度の影響を分配する重み関数に依存している。 メッシュフリーでロバストな自動スキンニング手法を導入し,ボリュームメッシュを使わずに,最先端のスキンニングウェイトを生成する。
• 参考スコア（独自算出の注目度）: 17.165894905245462
• License:
• Abstract: Skinning is a popular way to rig and deform characters for animation, to compute reduced-order simulations, and to define features for geometry processing. Methods built on skinning rely on weight functions that distribute the influence of each degree of freedom across the mesh. Automatic skinning methods generate these weight functions with minimal user input, usually by solving a variational problem on a mesh whose boundary is the skinned surface. This formulation necessitates tetrahedralizing the volume bounded by the surface, which brings with it meshing artifacts, the possibility of tetrahedralization failure, and the impossibility of generating weights for surfaces that are not closed. We introduce a mesh-free and robust automatic skinning method that generates high-quality skinning weights comparable to the current state of the art without volumetric meshes. Our method reliably works even on open surfaces and triangle soups where current methods fail. We achieve this through the use of a Lagrangian representation for skinning weights, which circumvents the need for finite elements while optimizing the biharmonic energy.
• Abstract（参考訳）: スキニングはアニメーションの文字をリグ&デフォームし、低次シミュレーションを計算し、幾何学処理の機能を定義する一般的な方法である。 スキンニングの手法はメッシュにまたがる各自由度の影響を分配する重み関数に依存している。 自動スキンニング法は,これらの重み関数を最小限のユーザ入力で生成する。 この定式化は、表面によって束縛された体積を四面体化することを必要とし、それがメッシュ化アーティファクト、四面体化失敗の可能性、および閉じていない表面に対して重みを生成することの不可能性をもたらす。 メッシュフリーでロバストな自動スキンニング手法を導入し、ボリュームメッシュのない最先端のスキンニングウェイトに匹敵する高品質なスキンニングウェイトを生成する。 提案手法は,現行の手法が失敗する開放面や三角形のスープでも確実に機能する。 このことは、双調和エネルギーを最適化しながら有限要素の必要性を回避できるラグランジアン表現を用いて達成する。

関連論文リスト

• Generative Feature Training of Thin 2-Layer Networks [0.0]
  正方形損失と小さなデータセットに基づく隠れ重みの少ない2層ニューラルネットワークによる関数近似を考察する。 高度に隠蔽されたモデルとして、学習された分布提案からのサンプルを用いて隠れ重みを利用する。 潜時空間における勾配に基づく後処理により, 試料重量を改良する。
  論文  参考訳（メタデータ） (2024-11-11T10:32:33Z)
• Simplicits: Mesh-Free, Geometry-Agnostic, Elastic Simulation [18.45850302604534]
  幾何表現の任意の対象に対して弾性シミュレーションを行うための,データ,メッシュ,グリッドフリーのソリューションを提案する。 各オブジェクトに対して、変形ベースとして作用する様々な重みを符号化する小さな暗黙のニューラルネットワークを適合させる。 実験では, 距離関数, 点雲, ニューラルプリミティブ, トモグラフィースキャン, 放射場, ガウススプラット, 表面メッシュ, 体積メッシュなどのデータに対して, このアプローチの汎用性, 精度, 速度を実証した。
  論文  参考訳（メタデータ） (2024-06-09T18:57:23Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  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。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based View Synthesis [70.40950409274312]
  我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。 また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。 私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
  論文  参考訳（メタデータ） (2024-02-19T18:59:41Z)
• Surface Normal Estimation with Transformers [11.198936434401382]
  ノイズと密度の変動を考慮した点群から正規分布を正確に予測する変換器を提案する。 本手法は,合成形状データセットPCPNetと実世界の屋内シーンPCPNNの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-01-11T08:52:13Z)
• 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)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)

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。