論文の概要: Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning
- arxiv url: http://arxiv.org/abs/2406.05261v1
- Date: Fri, 7 Jun 2024 21:07:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 22:36:11.508726
- Title: Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning
- Title(参考訳): Split-and-Fit:構造を考慮したボロノイ分割によるB-Repsの学習
- Authors: Yilin Liu, Jiale Chen, Shanshan Pan, Daniel Cohen-Or, Hao Zhang, Hui Huang,
- Abstract要約: 本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
- 参考スコア(独自算出の注目度): 50.684254969269546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel method for acquiring boundary representations (B-Reps) of 3D CAD models which involves a two-step process: it first applies a spatial partitioning, referred to as the ``split``, followed by a ``fit`` operation to derive a single primitive within each partition. Specifically, our partitioning aims to produce the classical Voronoi diagram of the set of ground-truth (GT) B-Rep primitives. In contrast to prior B-Rep constructions which were bottom-up, either via direct primitive fitting or point clustering, our Split-and-Fit approach is top-down and structure-aware, since a Voronoi partition explicitly reveals both the number of and the connections between the primitives. We design a neural network to predict the Voronoi diagram from an input point cloud or distance field via a binary classification. We show that our network, coined NVD-Net for neural Voronoi diagrams, can effectively learn Voronoi partitions for CAD models from training data and exhibits superior generalization capabilities. Extensive experiments and evaluation demonstrate that the resulting B-Reps, consisting of parametric surfaces, curves, and vertices, are more plausible than those obtained by existing alternatives, with significant improvements in reconstruction quality. Code will be released on https://github.com/yilinliu77/NVDNet.
- Abstract(参考訳): 本稿では,2段階のプロセスを含む3次元CADモデルの境界表現(B-Reps)を取得する新しい手法を提案する。
具体的には,GT-B-Repプリミティブの集合の古典的なボロノイ図を作成することを目的としている。
直接のプリミティブフィッティングやポイントクラスタリングによってボトムアップされた以前のB-Rep構造とは対照的に、私たちのSplit-and-Fitアプローチは、プリミティブ間の数と接続の両方を明確に示しているため、トップダウンと構造認識である。
入力点雲や距離場から二項分類によりボロノイ図を予測するニューラルネットワークを設計する。
我々のネットワークはニューラル・ボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示し、優れた一般化能力を示す。
大規模な実験と評価により, パラメトリック表面, 曲線, 頂点からなるB-Repsは, 既存の代替品よりも信頼性が高く, 再現性も著しく向上した。
コードはhttps://github.com/yilinliu77/NVDNetでリリースされる。
関連論文リスト
- Neural Vector Fields: Generalizing Distance Vector Fields by Codebooks
and Zero-Curl Regularization [73.3605319281966]
メッシュと暗黙的符号なし距離関数(UDF)を演算する明示的な学習プロセスを採用した新しい3D表現であるNeural Vector Fields (NVF)を提案する。
両NVFを水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・クロスドメイン化の4つのシナリオで評価した。
論文 参考訳(メタデータ) (2023-09-04T10:42:56Z) - BPNet: B\'ezier Primitive Segmentation on 3D Point Clouds [17.133617027574353]
BPNetは、3Dポイントクラウド上のB'ezierプリミティブセグメンテーションを学ぶための、新しいエンドツーエンドのディープラーニングフレームワークである。
B'ezierプリミティブセグメンテーションと幾何フィッティングを同時に学習するための共同最適化フレームワークが提案されている。
実験では,推定速度が大幅に速く,従来の作業よりもセグメンテーションにおいて優れた性能を示した。
論文 参考訳(メタデータ) (2023-07-08T16:46:01Z) - 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) - NCP: Neural Correspondence Prior for Effective Unsupervised Shape
Matching [31.61255365182462]
我々は3次元形状間の対応を計算するための新しいパラダイムであるニューラル対応優先(NCP)を提案する。
我々のアプローチは完全に教師なしであり、挑戦する場合でも高品質な対応に繋がる可能性がある。
NCPは、多くのタスクにおいて、データ効率、高速、そして最先端の結果であることを示す。
論文 参考訳(メタデータ) (2023-01-14T07:22:18Z) - Learning Mesh Representations via Binary Space Partitioning Tree
Networks [28.962866472806812]
コンベックス分解により3次元形状を表現するネットワークであるBSP-Netを提案する。
ネットワークは、一組の平面上に構築されたBSPツリーから得られた凸の集合を用いて形状を再構築するよう訓練され、平面と凸はどちらも学習されたネットワーク重みによって定義される。
生成されたメッシュは、水密でコンパクト(低ポーリー)で、鋭い幾何学を表現するのに適している。
論文 参考訳(メタデータ) (2021-06-27T16:37:54Z) - Learning Compositional Shape Priors for Few-Shot 3D Reconstruction [36.40776735291117]
複雑なエンコーダ・デコーダアーキテクチャが,カテゴリごとの大量のデータを利用することを示す。
データから直接クラス固有のグローバルな形状を学習する3つの方法を提案する。
人気のShapeNetデータセットの実験から,本手法はゼロショットベースラインを40%以上上回る性能を示した。
論文 参考訳(メタデータ) (2021-06-11T14:55:49Z) - Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。
既存のFSCモデルに対する新しいトレーニング手法を提案する。
説明誘導学習はモデル一般化を効果的に改善することを示す。
論文 参考訳(メタデータ) (2020-07-17T07:28:08Z) - PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。
私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
論文 参考訳(メタデータ) (2020-07-09T15:35:10Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z) - Learning Nonparametric Human Mesh Reconstruction from a Single Image
without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。
これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文 参考訳(メタデータ) (2020-02-28T20:30:07Z)
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。