論文の概要: CanFields: Consolidating Diffeomorphic Flows for Non-Rigid 4D Interpolation from Arbitrary-Length Sequences

• arxiv url: http://arxiv.org/abs/2406.18582v3
• Date: Thu, 26 Jun 2025 17:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 13:31:57.617008
• Title: CanFields: Consolidating Diffeomorphic Flows for Non-Rigid 4D Interpolation from Arbitrary-Length Sequences
• Title（参考訳）: CanFields: 任意長列からの非リジッド4次元補間のための拡散型流れの統合
• 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3D点雲の任意の長さの配列を、統一的で連続的でコヒーレントな変形形状に補間する。 我々は50以上の多種多様な配列に対して、我々の頑健さと精度を検証し、欠落した領域やノイズの多い生スキャン、スパースデータにおいても、その優れた性能を実証した。
• 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 introduce Canonical Consolidation Fields (CanFields). This novel method interpolates arbitrary-length sequences of independently sampled 3D point clouds into a unified, continuous, and coherent deforming shape. Unlike prior methods that oversmooth geometry or produce topological and geometric artifacts, CanFields optimizes fine-detailed geometry and deformation jointly in an unsupervised fitting with two novel bespoke modules. First, we introduce a dynamic consolidator module that adjusts the input and assigns confidence scores, balancing the optimization of the canonical shape and its motion. Second, we represent the motion as a diffeomorphic flow parameterized by a smooth velocity field. We have validated our robustness and accuracy on more than 50 diverse sequences, demonstrating its superior performance even with missing regions, noisy raw scans, and sparse data. Our project page is at: https://wangmiaowei.github.io/CanFields.github.io/.
• Abstract（参考訳）: 我々はCanonical Consolidation Fields (CanFields)を紹介する。 独立にサンプリングされた3次元点雲の任意の長さ列を、統一的、連続的、コヒーレントな変形形状に補間する。 CanFieldsは、幾何学的および幾何学的アーティファクトをオーバースムースにするか、あるいは生成する従来の方法とは異なり、2つの新しいビースモークモジュールを備えた教師なしのフィッティングにおいて、精密な幾何と変形を共同で最適化する。 まず、入力を調整し、信頼スコアを割り当て、標準形状とその動きの最適化のバランスをとる動的コンソリエータモジュールを導入する。 第二に、運動を滑らかな速度場によってパラメータ化された微分同相流として表現する。 我々は50以上の多種多様な配列に対して、我々の頑健さと精度を検証し、欠落した領域やノイズの多い生スキャン、スパースデータにおいても、その優れた性能を実証した。 私たちのプロジェクトページは以下の通りです。

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)
• Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
  本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。 我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。 我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-11-08T06:52:57Z)
• 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)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,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IDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• 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)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• EditVAE: Unsupervised Part-Aware Controllable 3D Point Cloud Shape Generation [19.817166425038753]
  本稿では,パートアウェアポイントクラウド生成の問題に対処する。 変分オートエンコーダの簡単な修正により、点雲自体のジョイントモデルが得られる。 歪んだ表現によって得られる柔軟性に加えて、我々のジョイントモデリングアプローチによって導入された帰納バイアスは、ShapeNetデータセットの最先端の実験結果をもたらす。
  論文  参考訳（メタデータ） (2021-10-13T12:38:01Z)
• 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)
• Weakly-supervised 3D Shape Completion in the Wild [91.04095516680438]
  非整合および実世界の部分点雲から3次元完全形状を学習する問題に対処する。 複数の部分的な観察から3次元標準形状と6-DoFのアライメントを推定する弱い教師付き手法を提案する。 合成データと実データの両方の実験では、形状やポーズを伴わずに大規模なデータを通じて3次元形状の完成を学習することは可能であり、有望であることが示された。
  論文  参考訳（メタデータ） (2020-08-20T17:53:42Z)
• Learning non-rigid surface reconstruction from spatio-temporal image patches [0.0]
  ビデオシーケンスから変形可能な物体の高密度時間深度マップを再構成する手法を提案する。 映像の非時間的パッチで深度推定をローカルに行い、それらを組み合わせることで全形状のフル深度映像を復元する。 本手法をKinectデータとKinectデータの両方で検証し,従来の非剛体構造のような他の手法に比べて再構成誤差が有意に低いことを実験的に観察した。
  論文  参考訳（メタデータ） (2020-06-18T20:25:15Z)
• 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)
• 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)
• Shape-Oriented Convolution Neural Network for Point Cloud Analysis [59.405388577930616]
  ポイントクラウドは3次元幾何学情報符号化に採用されている主要なデータ構造である。 形状指向型メッセージパッシング方式であるShapeConvを提案する。
  論文  参考訳（メタデータ） (2020-04-20T16:11:51Z)

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。