論文の概要: NESI: Shape Representation via Neural Explicit Surface Intersection

• arxiv url: http://arxiv.org/abs/2409.06030v1
• Date: Mon, 9 Sep 2024 19:40:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 19:51:02.460312
• Title: NESI: Shape Representation via Neural Explicit Surface Intersection
• Title（参考訳）: NESI:ニューラル明示的表面断面積による形状表現
• Authors: Congyi Zhang, Jinfan Yang, Eric Hedlin, Suzuran Takikawa, Nicholas Vining, Kwang Moo Yi, Wenping Wang, Alla Sheffer,
• Abstract要約: この領域における最近のアプローチは、暗黙的あるいはパラメトリックな表現を学ぶことに焦点を当てている。 そこで我々は,局所的明示的曲面,すなわち高さ場の表面の交叉に基づく新しい学習方法を提案する。
• 参考スコア（独自算出の注目度）: 41.4470744716552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compressed representations of 3D shapes that are compact, accurate, and can be processed efficiently directly in compressed form, are extremely useful for digital media applications. Recent approaches in this space focus on learned implicit or parametric representations. While implicits are well suited for tasks such as in-out queries, they lack natural 2D parameterization, complicating tasks such as texture or normal mapping. Conversely, parametric representations support the latter tasks but are ill-suited for occupancy queries. We propose a novel learned alternative to these approaches, based on intersections of localized explicit, or height-field, surfaces. Since explicits can be trivially expressed both implicitly and parametrically, NESI directly supports a wider range of processing operations than implicit alternatives, including occupancy queries and parametric access. We represent input shapes using a collection of differently oriented height-field bounded half-spaces combined using volumetric Boolean intersections. We first tightly bound each input using a pair of oppositely oriented height-fields, forming a Double Height-Field (DHF) Hull. We refine this hull by intersecting it with additional localized height-fields (HFs) that capture surface regions in its interior. We minimize the number of HFs necessary to accurately capture each input and compactly encode both the DHF hull and the local HFs as neural functions defined over subdomains of R^2. This reduced dimensionality encoding delivers high-quality compact approximations. Given similar parameter count, or storage capacity, NESI significantly reduces approximation error compared to the state of the art, especially at lower parameter counts.
• Abstract（参考訳）: 3次元形状の圧縮表現はコンパクトで精度が高く、直接圧縮形式で効率的に処理できるが、デジタルメディア応用には極めて有用である。 この領域における最近のアプローチは、暗黙的あるいはパラメトリックな表現を学ぶことに焦点を当てている。 暗黙はインアウトクエリのようなタスクには適しているが、自然な2Dパラメータ化がなく、テクスチャや通常のマッピングのようなタスクを複雑にしている。 逆にパラメトリック表現は後者のタスクをサポートするが、占有クエリには不適である。 そこで我々は,これらのアプローチの代替として,局所的明示的曲面,すなわち高さ場の表面の交点に基づく新しい学習方法を提案する。 明示は暗黙的にもパラメトリック的にも簡単に表現できるので、NESIは占有クエリやパラメトリックアクセスを含む暗黙の代替手段よりも幅広い処理操作を直接サポートする。 容積ブール交叉を用いて、異なる向きの高野有界半空間の集合を用いて入力形状を表現する。 まず、逆向きの高さ場を用いて各入力を厳密に結び付け、DHF(Double Height-Field)ハルを形成する。 我々は、この船体を、内部の表面領域を捕捉する局所的な高さ場(HFs)と交差させることにより、その船体を改良する。 我々は、各入力を正確に捕捉するために必要なHFの数を最小化し、R^2のサブドメイン上で定義された神経関数としてDHF船体と局所HFの両方をコンパクトに符号化する。 この縮小次元符号化は高品質なコンパクト近似をもたらす。 同様のパラメータ数やストレージ容量が与えられた場合、NESIは、特に低いパラメータ数において、最先端と比較して近似誤差を著しく削減する。

関連論文リスト

• Depth Separations in Neural Networks: Separating the Dimension from the Accuracy [9.783697404304027]
  我々は、(実入力で)深度2と深度3ニューラルネットの指数的なサイズ分離を証明した。 対象関数が深度3ネットワークを用いて効率的に表現できる場合であっても,次元の呪いは深さ2の近似で現れることを示す。
  論文  参考訳（メタデータ） (2024-02-11T17:27:26Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• CN-DHF: Compact Neural Double Height-Field Representations of 3D Shapes [20.99547249952378]
  CN-DHF(Compact Neural Double-Height-Field)は、ニューラルな暗黙的な3次元形状の表現である。 我々の表現はDHF(Double-Height-Field)ジオメトリを利用する。
  論文  参考訳（メタデータ） (2023-03-29T20:38:40Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• 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)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Least squares surface reconstruction on arbitrary domains [30.354512876068085]
  2D Savitzky-GolayフィルタとK-nearest近傍カーネルに基づく数値微分の計算法を提案する。 同じ定式化を用いて、線形最小二乗問題として、正書法と直視高の両方を記述する方法を示す。 我々は,合成データと実データの両方において,最先端技術に対する性能向上を実証した。
  論文  参考訳（メタデータ） (2020-07-16T21:33:39Z)

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。