論文の概要: Neural Geometry Processing via Spherical Neural Surfaces

• arxiv url: http://arxiv.org/abs/2407.07755v1
• Date: Wed, 10 Jul 2024 15:28:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 16:12:31.329633
• Title: Neural Geometry Processing via Spherical Neural Surfaces
• Title（参考訳）: 球面ニューラルサーフェスによるニューラルジオメトリー処理
• Authors: Romy Williamson, Niloy J. Mitra,
• Abstract要約: ニューラルサーフェス表現上でコア幾何学演算子を直接計算する方法を示す。 これらの演算子によって、ニューラル表現に直接作用する幾何学的処理ツールが作成できます。 我々は、(神経)スペクトル分析、熱流、平均曲率流におけるイラストラティブな応用を実証する。
• 参考スコア（独自算出の注目度）: 29.30952578277242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural surfaces (e.g., neural map encoding, deep implicits and neural radiance fields) have recently gained popularity because of their generic structure (e.g., multi-layer perceptron) and easy integration with modern learning-based setups. Traditionally, we have a rich toolbox of geometry processing algorithms designed for polygonal meshes to analyze and operate on surface geometry. However, neural representations are typically discretized and converted into a mesh, before applying any geometry processing algorithm. This is unsatisfactory and, as we demonstrate, unnecessary. In this work, we propose a spherical neural surface representation (a spherical parametrization) for genus-0 surfaces and demonstrate how to compute core geometric operators directly on this representation. Namely, we show how to construct the normals and the first and second fundamental forms of the surface, and how to compute the surface gradient, surface divergence and Laplace Beltrami operator on scalar/vector fields defined on the surface. These operators, in turn, enable us to create geometry processing tools that act directly on the neural representations without any unnecessary meshing. We demonstrate illustrative applications in (neural) spectral analysis, heat flow and mean curvature flow, and our method shows robustness to isometric shape variations. We both propose theoretical formulations and validate their numerical estimates. By systematically linking neural surface representations with classical geometry processing algorithms, we believe this work can become a key ingredient in enabling neural geometry processing.
• Abstract（参考訳）: ニューラルサーフェス(例えば、ニューラルマップエンコーディング、ディープ暗黙、ニューラルラディアンスフィールド)は、その一般的な構造(例えば、多層パーセプトロン)と近代的な学習ベースのセットアップとの容易な統合により、最近人気を集めている。 従来,多角形メッシュで表面形状を解析・操作するために設計された,幾何処理アルゴリズムの豊富なツールボックスが存在している。 しかしながら、神経表現は通常、幾何処理アルゴリズムを適用する前に、離散化されメッシュに変換される。 これは不満足で、私たちが示しているように、不要です。 そこで本研究では,0 種数に対する球面表現(球面パラメトリゼーション)を提案し,この表現に基づいてコア幾何学演算子を直接計算する方法を実証する。 すなわち、表面の正規形と第1および第2基本形を構築し、表面上のスカラー/ベクトル場上で表面勾配、表面偏差およびラプラスベルトラミ作用素を計算する方法を示す。 これらの演算子によって、不要なメッシュ化なしに、ニューラル表現に直接作用する幾何学的処理ツールが作成できます。 本研究では,(ニューラル)スペクトル解析,熱流,平均曲率流における図形的応用を実証し,等尺形状の変動に対するロバスト性を示す。 我々はどちらも理論的な定式化を提案し、それらの数値推定を検証した。 ニューラルサーフェス表現と古典幾何学処理アルゴリズムを体系的に結びつけることで、この研究はニューラルジオメトリー処理を実現する上で重要な要素となると信じている。

関連論文リスト

• Parameterization-driven Neural Surface Reconstruction for Object-oriented Editing in Neural Rendering [35.69582529609475]
  本稿では,ニューラル暗黙表面を球面やポリキューブのような単純なパラメトリック領域にパラメータ化するための新しいニューラルアルゴリズムを提案する。 オブジェクトのゼロレベルセットからの前方マッピングと後方マッピングのための逆変形を用いて、オブジェクトとドメイン間の双方向の変形を計算する。 本手法の有効性を人間の頭部と人工物の画像に示す。
  論文  参考訳（メタデータ） (2023-10-09T08:42:40Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Neural networks learn to magnify areas near decision boundaries [32.84188052937496]
  本研究では,非拘束型ニューラルネットワーク特徴写像による幾何形状の学習方法について検討する。 まず、無限の幅でランダムパラメータを持つニューラルネットワークが入力空間上で高度に対称なメトリクスを誘導することを示す。 分類タスクを実行するために訓練されたネットワークは、決定境界に沿った地域を拡大するために学習する。
  論文  参考訳（メタデータ） (2023-01-26T19:43:16Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal Charts and Distortion [71.52576837870166]
  我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。 その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。 我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
  論文  参考訳（メタデータ） (2022-07-29T16:55:06Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Differential Geometry in Neural Implicits [0.6198237241838558]
  トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。 ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
  論文  参考訳（メタデータ） (2022-01-23T13:40:45Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Neural Surface Maps [38.172396047006266]
  我々は、サーフェスマップを符号化するニューラルネットワークを提唱する。 表面をアトラスで定義し、表面-表面マッピングのために構成し、歪みの概念など、それらに関連する微分可能な対象を自明な方法で最適化することは容易であることを示す。
  論文  参考訳（メタデータ） (2021-03-31T09:48:26Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。