論文の概要: Neural Surface Detection for Unsigned Distance Fields

• arxiv url: http://arxiv.org/abs/2407.18381v1
• Date: Thu, 25 Jul 2024 20:31:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 14:59:16.837833
• Title: Neural Surface Detection for Unsigned Distance Fields
• Title（参考訳）: 符号なし距離場のニューラルサーフェス検出
• Authors: Federico Stella, Nicolas Talabot, Hieu Le, Pascal Fua,
• Abstract要約: 我々は、UDFをローカルにSDFに変換するためのディープラーニングアプローチを導入し、既存のアルゴリズムで効果的に三角測量できるようにした。 既存の手法よりも表面検出の精度がよいことを示す。 また,UDF上で動作可能なデュアルメッシュ方式であるDualMeshUDFと併用して,この手法の柔軟性を示す。
• 参考スコア（独自算出の注目度）: 51.77214039267625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting surfaces from Signed Distance Fields (SDFs) can be accomplished using traditional algorithms, such as Marching Cubes. However, since they rely on sign flips across the surface, these algorithms cannot be used directly on Unsigned Distance Fields (UDFs). In this work, we introduce a deep-learning approach to taking a UDF and turning it locally into an SDF, so that it can be effectively triangulated using existing algorithms. We show that it achieves better accuracy in surface detection than existing methods. Furthermore it generalizes well to unseen shapes and datasets, while being parallelizable. We also demonstrate the flexibily of the method by using it in conjunction with DualMeshUDF, a state of the art dual meshing method that can operate on UDFs, improving its results and removing the need to tune its parameters.
• Abstract（参考訳）: SDF(Signed Distance Fields)からの抽出は、マーチングキューブのような従来のアルゴリズムを用いて行うことができる。 しかし、これらのアルゴリズムは表面上の符号フリップに依存するため、Unsigned Distance Fields (UDF) に直接使用することはできない。 本研究では,UDF を局所的に SDF に変換する深層学習手法を導入し,既存のアルゴリズムを用いて効果的に三角測量できる手法を提案する。 既存の手法よりも表面検出の精度がよいことを示す。 さらに、並列化可能ながら、目に見えない形状やデータセットをうまく一般化する。 また、UDF上で動作可能な最先端のデュアルメッシュ方式であるDualMeshUDFと併用して、この手法の柔軟性を実証し、その結果を改善し、パラメータを調整する必要をなくした。

関連論文リスト

• Gradient Distance Function [52.615859148238464]
  また,GDF (Gradient Distance Function) は表面上での微分可能でありながら,開口面を表現可能であることを示す。 これは、ノルムが表面への符号のない距離である3Dベクトルをそれぞれ3Dポイントに関連付けることによって行われる。 本稿では,ShapeNet Car,Multi-Garment,および3D-SceneデータセットにおけるGDFの有効性を示す。
  論文  参考訳（メタデータ） (2024-10-29T18:04:01Z)
• Monge-Ampere Regularization for Learning Arbitrary Shapes from Point Clouds [69.69726932986923]
  任意の曲面型をモデル化するための新しい暗黙曲面表現であるスケールド2乗距離関数 (S$2$DF) を提案する。 S$2$DFは、ゼロレベルセットでのUDFの非微分可能性問題に効果的に対処しながら、内部領域と外部領域を区別しない。 S$2$DF はモンゲ・アンペア型の二次偏微分方程式を満たすことを示した。
  論文  参考訳（メタデータ） (2024-10-24T06:56:34Z)
• Statistical Edge Detection And UDF Learning For Shape Representation [1.9799527196428242]
  得られたニューラルUDFの元の3次元表面への忠実度を向上させるUDFの学習法を提案する。 表面縁周辺でのトレーニング点のサンプリングにより,トレーニング済みのニューラルUDFの局所的精度が向上することを示す。 本手法は局所的な幾何学的記述子よりも表面のエッジを高精度に検出する。
  論文  参考訳（メタデータ） (2024-05-06T11:40:57Z)
• Robust Zero Level-Set Extraction from Unsigned Distance Fields Based on Double Covering [28.268387694075415]
  非符号距離場(UDF)からゼロレベルセットを抽出する新しい手法を提案する。 DoubleCoverUDFは学習したUDFとユーザが指定したパラメータ $r$ を入力として取ります。 計算されたアイソ曲面は、対象ゼロレベルセット$S$の$r$オフセット体積の境界であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T10:17:30Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• MeshUDF: Fast and Differentiable Meshing of Unsigned Distance Field Networks [68.82901764109685]
  3次元オープンサーフェスモデリングによる深部ニューラルネットワークの非符号距離場(UDF)近似に関する研究 本研究では, 平面交差を局所的に検出することにより, 深部UDFを開放面としてマーチング立方体の拡張により直接メッシュ化することを提案する。 本手法は高密度の点雲のメッシュよりも桁違いに高速であり,開面の膨張よりも高精度である。
  論文  参考訳（メタデータ） (2021-11-29T14:24:02Z)
• DUDE: Deep Unsigned Distance Embeddings for Hi-Fidelity Representation of Complex 3D Surfaces [8.104199886760275]
  DUDE は、非符号距離場 (uDF) を用いて表面との近接を表現し、正規ベクトル場 (nVF) は表面の向きを表現している。 この2つの組み合わせ (uDF+nVF) を用いて任意の開/閉形状の高忠実度表現を学習できることを示す。
  論文  参考訳（メタデータ） (2020-11-04T22:49:05Z)

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。