論文の概要: Canonical Consolidation Fields: Reconstructing Dynamic Shapes from Point Clouds

• arxiv url: http://arxiv.org/abs/2406.18582v1
• Date: Wed, 5 Jun 2024 17:07:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 05:40:31.463838
• Title: Canonical Consolidation Fields: Reconstructing Dynamic Shapes from Point Clouds
• Title（参考訳）: 正準整合場:点雲からの動的形状の再構成
• Authors: Miaowei Wang, Changjian Li, Amir Vaxman,
• Abstract要約: 我々はCanonical Consolidation Fields(CanFields)を紹介する。 CanFieldsは、独立にサンプリングされた点雲の時系列を単一の変形コヒーレントな形状に再構成する方法である。 動的点雲の多種多様なベンチマークにおいて,本手法のロバスト性と精度を実証する。
• 参考スコア（独自算出の注目度）: 12.221737707194261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Canonical Consolidation Fields (CanFields): a method for reconstructing a time series of independently-sampled point clouds into a single deforming coherent shape. Such input often comes from motion capture. Existing methods either couple the geometry and the deformation, where by doing so they smooth fine details and lose the ability to track moving points, or they track the deformation explicitly, but introduce topological and geometric artifacts. Our novelty lies in the consolidation of the point clouds into a single canonical shape in a way that reduces the effect of noise and outliers, and enables us to overcome missing regions. We simultaneously reconstruct the velocity fields that guide the deformation. This consolidation allows us to retain the high-frequency details of the geometry, while faithfully reproducing the low-frequency deformation. Our architecture comprises simple components, and fits any single input shape without using datasets. We demonstrate the robustness and accuracy of our methods on a diverse benchmark of dynamic point clouds, including missing regions, sparse frames, and noise.
• Abstract（参考訳）: カノニカル・コンソリデーション・フィールド(CanFields: Canonical Consolidation Fields: CanFields)は、独立にサンプリングされた点雲の時系列を単一の変形コヒーレントな形状に再構成する手法である。 このような入力は、しばしばモーションキャプチャーから来る。 既存の手法は幾何と変形を組み合わせ、細部を滑らかにし、移動点を追跡する能力を失うか、あるいは変形を明示的に追跡するが、位相的および幾何学的アーティファクトを導入する。 我々の斬新さは、ノイズや外れ値の影響を低減し、欠落した領域を克服できる方法で、点雲を単一の標準形にまとめることにある。 変形を導く速度場を同時に再構築する。 この統合により、低周波変形を忠実に再現しながら、幾何学の高周波詳細を維持できる。 私たちのアーキテクチャは単純なコンポーネントで構成されており、データセットを使わずに任意の入力形状に適合します。 提案手法のロバスト性および精度を,欠落領域,スパースフレーム,ノイズを含む多様な動的点雲のベンチマークで示す。

関連論文リスト

• 4DPV: 4D Pet from Videos by Coarse-to-Fine Non-Rigid Radiance Fields [16.278222277579655]
  野生の複数のRGB配列からカメラのポーズと未知の物体の4次元再構成を復元するための粗大なニューラルモデルを提案する。 提案手法では,事前構築した3Dテンプレートや3Dトレーニングデータ,制御条件を考慮しない。 複素および実世界の変形を伴う挑戦シナリオにおいて,本手法を徹底的に検証する。
  論文  参考訳（メタデータ） (2024-11-15T15:31:58Z)
• Deformation-Guided Unsupervised Non-Rigid Shape Matching [7.327850781641328]
  非厳密な形状マッチングのための教師なしデータ駆動方式を提案する。 本手法は,3次元スキャナを用いたディジタル形状のマッチングにおいて特に堅牢である。
  論文  参考訳（メタデータ） (2023-11-27T09:55:55Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval and Deformation [59.70430570779819]
  本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。 私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。 部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
  論文  参考訳（メタデータ） (2022-07-24T18:59:09Z)
• Animatable Implicit Neural Representations for Creating Realistic Avatars from Videos [63.16888987770885]
  本稿では,マルチビュー映像からアニマタブルな人間モデルを構築することの課題について述べる。 線形ブレンドスキンアルゴリズムに基づくポーズ駆動変形場を提案する。 提案手法は,近年の人体モデリング手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T17:56:59Z)
• Animatable Neural Radiance Fields for Human Body Modeling [54.41477114385557]
  本稿では,多視点映像から人間モデルを再構築する課題について述べる。 変形場を生成するためにニューラルブレンド重量場を導入する。 実験の結果,我々のアプローチは最近の人間の手法を大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-05-06T17:58:13Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)

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。