論文の概要: Controllable Shape Modeling with Neural Generalized Cylinder

• arxiv url: http://arxiv.org/abs/2410.03675v1
• Date: Wed, 18 Sep 2024 21:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 20:48:16.549429
• Title: Controllable Shape Modeling with Neural Generalized Cylinder
• Title（参考訳）: ニューラル一般化シリンダによる制御可能な形状モデリング
• Authors: Xiangyu Zhu, Zhiqin Chen, Ruizhen Hu, Xiaoguang Han,
• Abstract要約: ニューラルサイン距離場(NSDF)の明示的操作のためのニューラル一般化シリンダ(NGC)を提案する。 楕円形のプロファイルを持つ特殊GCの相対座標を用いることで、NSDFはGCの操作によって明示的に制御できる。 NGCは、単純な神経機能によって、形状のブレンディングに神経機能を利用することができる。
• 参考スコア（独自算出の注目度）: 39.36613329005811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural shape representation, such as neural signed distance field (NSDF), becomes more and more popular in shape modeling as its ability to deal with complex topology and arbitrary resolution. Due to the implicit manner to use features for shape representation, manipulating the shapes faces inherent challenge of inconvenience, since the feature cannot be intuitively edited. In this work, we propose neural generalized cylinder (NGC) for explicit manipulation of NSDF, which is an extension of traditional generalized cylinder (GC). Specifically, we define a central curve first and assign neural features along the curve to represent the profiles. Then NSDF is defined on the relative coordinates of a specialized GC with oval-shaped profiles. By using the relative coordinates, NSDF can be explicitly controlled via manipulation of the GC. To this end, we apply NGC to many non-rigid deformation tasks like complex curved deformation, local scaling and twisting for shapes. The comparison on shape deformation with other methods proves the effectiveness and efficiency of NGC. Furthermore, NGC could utilize the neural feature for shape blending by a simple neural feature interpolation.
• Abstract（参考訳）: ニューラルサイン距離場(NSDF)のようなニューラルシェイプ表現は、複雑なトポロジーや任意の分解能を扱う能力として、形状モデリングにおいてますます人気が高まっている。 形状表現に特徴を用いる暗黙的な方法のため、その特徴を直感的に編集できないため、形状を操作することは本質的に不便な課題に直面している。 本研究では,従来の一般化シリンダー(GC)の拡張であるNSDFの明示的な操作のための神経一般化シリンダー(NGC)を提案する。 具体的には、まず中央の曲線を定義し、その曲線に沿ってニューラルな特徴を割り当て、プロファイルを表現する。 次にNSDFは楕円形のプロファイルを持つ特殊GCの相対座標上で定義される。 相対座標を用いることで、NSDFはGCの操作によって明示的に制御できる。 この目的のために、複素曲線変形、局所スケーリング、形状のねじれなど、多くの非剛性変形タスクにNGCを適用する。 形状変形と他の方法との比較は、NGCの有効性と効率性を証明している。 さらに、NGCは単純な神経特徴補間による形状ブレンディングにこのニューラル特徴を利用することができた。

関連論文リスト

• Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T02:51:38Z)
• Lattice Convolutional Networks for Learning Ground States of Quantum Many-Body Systems [33.82764380485598]
  本稿では,非二乗格子を格子状拡張格子に変換するために,一組の演算を用いた格子畳み込みを提案する。 提案する格子畳み込みネットワーク(LCN)を用いて,自己ゲーティングと注意機構を用いた格子畳み込みネットワーク(LCN)を設計する。
  論文  参考訳（メタデータ） (2022-06-15T08:24:37Z)
• CaDeX: Learning Canonical Deformation Coordinate Space for Dynamic Surface Representation via Neural Homeomorphism [46.234728261236015]
  形状と非剛性の両方の統一的な表現であるCaDeX(Caonical deformation Coordinate Space)を導入する。 我々の新しい変形表現とその実装は単純で効率的であり、サイクルの整合性を保証する。 幅広い変形可能なオブジェクトをモデル化する際の最先端性能を実証する。
  論文  参考訳（メタデータ） (2022-03-30T17:59:23Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• ContourCNN: convolutional neural network for contour data classification [0.0]
  本稿では,輪郭データ解析(ContourCNN)と形状分類のための新しい畳み込みニューラルネットワークモデルを提案する。 輪郭表現の循環特性を扱うために円形の畳み込み層を用いる。 情報の空間性に対処するために,その大きさに基づいて特徴を選別する優先度プーリング層を導入する。
  論文  参考訳（メタデータ） (2020-09-20T11:56:47Z)
• 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)
• Convex Shape Prior for Deep Neural Convolution Network based Eye Fundus Images Segmentation [6.163107242394357]
  画像分割のためによく使われるDCNNに容易に統合できる手法を提案する。 本手法は,DCNNにおけるシグモイド活性化関数の二重表現に基づく。 提案手法は,従来のDCNNセグメンテーション法よりも効率が高く,性能も優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-15T11:36:04Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)
• Cylindrical Convolutional Networks for Joint Object Detection and Viewpoint Estimation [76.21696417873311]
  3次元空間で定義された畳み込みカーネルの円筒形表現を利用する学習可能なモジュールである円筒型畳み込みネットワーク(CCN)を導入する。 CCNはビュー固有の畳み込みカーネルを通してビュー固有の特徴を抽出し、各視点におけるオブジェクトカテゴリスコアを予測する。 本実験は,円柱状畳み込みネットワークが関節物体の検出と視点推定に与える影響を実証する。
  論文  参考訳（メタデータ） (2020-03-25T10:24:58Z)

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。