論文の概要: MeshFeat: Multi-Resolution Features for Neural Fields on Meshes

• arxiv url: http://arxiv.org/abs/2407.13592v1
• Date: Thu, 18 Jul 2024 15:29:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 14:51:11.019868
• Title: MeshFeat: Multi-Resolution Features for Neural Fields on Meshes
• Title（参考訳）: MeshFeat: メッシュ上のニューラルネットワークのためのマルチリゾリューション機能
• Authors: Mihir Mahajan, Florian Hofherr, Daniel Cremers,
• Abstract要約: パラメトリック特徴格子符号化は、ニューラルネットワークの符号化手法として注目されている。 Euclidean空間のマルチレゾリューション機能グリッドの考え方を適応させるために,メッシュ用に調整されたパラメトリック機能であるMeshFeatを提案する。 テクスチャ再構築とBRDF表現に匹敵する再現品質を維持しつつ, 従来の表現と比較して, 大幅な高速化を示した。
• 参考スコア（独自算出の注目度）: 38.93284476165776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parametric feature grid encodings have gained significant attention as an encoding approach for neural fields since they allow for much smaller MLPs, which significantly decreases the inference time of the models. In this work, we propose MeshFeat, a parametric feature encoding tailored to meshes, for which we adapt the idea of multi-resolution feature grids from Euclidean space. We start from the structure provided by the given vertex topology and use a mesh simplification algorithm to construct a multi-resolution feature representation directly on the mesh. The approach allows the usage of small MLPs for neural fields on meshes, and we show a significant speed-up compared to previous representations while maintaining comparable reconstruction quality for texture reconstruction and BRDF representation. Given its intrinsic coupling to the vertices, the method is particularly well-suited for representations on deforming meshes, making it a good fit for object animation.
• Abstract（参考訳）: パラメトリック特徴格子符号化は、はるかに小さなMLPを実現するため、ニューラルネットワークの符号化手法として大きな注目を集めており、モデルの推論時間を著しく削減している。 本研究では,メッシュに配向したパラメトリック機能であるMeshFeatを提案し,ユークリッド空間からのマルチレゾリューション機能グリッドの考え方を適応させる。 与えられた頂点トポロジによって提供される構造から始まり、メッシュの単純化アルゴリズムを用いて、メッシュ上に直接多重解像度の特徴表現を構築する。 提案手法では,メッシュ上でのニューラルネットワークに対する小さなMLPの使用が可能であり,テクスチャ再構成やBRDF表現に匹敵する再現品質を維持しつつ,従来の表現に比べて大幅に高速化されている。 頂点への本質的な結合を考えると、この手法は特にメッシュの変形の表現に適しており、オブジェクトアニメーションに適している。

関連論文リスト

• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMCの点は、各次元の相違点に関して、最適かほぼ最適であると実証的に示される。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• INPC: Implicit Neural Point Clouds for Radiance Field Rendering [5.64500060725726]
  現実世界のシーンを再現し、新しい視点で合成するための新しいアプローチを提案する。 本研究では,連続オクツリー型確率場とマルチ解像度ハッシュグリッドにおける点雲を暗黙的に符号化するハイブリッドシーン表現を提案する。 本手法は,対話的なフレームレートで高速な推論を実現し,さらに性能を高めるために露骨な点雲を抽出することができる。
  論文  参考訳（メタデータ） (2024-03-25T15:26:32Z)
• Efficient Encoding of Graphics Primitives with Simplex-based Structures [0.8158530638728501]
  本稿では,グラフィックプリミティブを符号化するシンプルな手法を提案する。 提案手法は, 2次元画像整合作業において, ベースライン法に比べて9.4%少ない時間で画像の整合を行うことができる。
  論文  参考訳（メタデータ） (2023-11-26T21:53:22Z)
• SHACIRA: Scalable HAsh-grid Compression for Implicit Neural Representations [46.01969382873856]
  Inlicit Neural Representation (INR)やNeural Fieldは、マルチメディア信号をエンコードする一般的なフレームワークとして登場した。 本稿では,これらの特徴グリッドを,追加のホット後のプルーニング/量子化段階を伴わずに圧縮するフレームワークであるSHACIRAを提案する。 我々のアプローチは、大規模なデータセットやドメイン固有のものを必要としない既存のINRアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-09-27T17:59:48Z)
• Hybrid Mesh-neural Representation for 3D Transparent Object Reconstruction [30.66452291775852]
  自然光条件下で手持ちの撮像画像を用いて透明物体の3次元形状を復元する新しい手法を提案する。 明示的なメッシュとハイブリッド表現であるマルチレイヤパーセプトロン(MLP)ネットワークの利点を組み合わせて、最近のコントリビューションで使用されるキャプチャを簡素化する。
  論文  参考訳（メタデータ） (2022-03-23T17:58:56Z)
• Progressive Encoding for Neural Optimization [92.55503085245304]
  メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。 最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
  論文  参考訳（メタデータ） (2021-04-19T08:22:55Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• 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)
• 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)

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。