論文の概要: GALA: Geometry-Aware Local Adaptive Grids for Detailed 3D Generation

• arxiv url: http://arxiv.org/abs/2410.10037v1
• Date: Sun, 13 Oct 2024 22:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 03:33:49.624223
• Title: GALA: Geometry-Aware Local Adaptive Grids for Detailed 3D Generation
• Title（参考訳）: GALA:詳細な3次元生成のための幾何学的局所適応格子
• Authors: Dingdong Yang, Yizhi Wang, Konrad Schindler, Ali Mahdavi Amiri, Hao Zhang,
• Abstract要約: GALAは複雑な幾何学や表面の細部を捉え再現する3次元形状の斬新な表現である。 最適化されたC++/CUDA実装では、GALAをオブジェクトに10秒以内で適用することができます。 幾何学的なディテールで3次元形状を生成することができるカスケード生成パイプラインを提供する。
• 参考スコア（独自算出の注目度）: 28.299293407423455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose GALA, a novel representation of 3D shapes that (i) excels at capturing and reproducing complex geometry and surface details, (ii) is computationally efficient, and (iii) lends itself to 3D generative modelling with modern, diffusion-based schemes. The key idea of GALA is to exploit both the global sparsity of surfaces within a 3D volume and their local surface properties. Sparsity is promoted by covering only the 3D object boundaries, not empty space, with an ensemble of tree root voxels. Each voxel contains an octree to further limit storage and compute to regions that contain surfaces. Adaptivity is achieved by fitting one local and geometry-aware coordinate frame in each non-empty leaf node. Adjusting the orientation of the local grid, as well as the anisotropic scales of its axes, to the local surface shape greatly increases the amount of detail that can be stored in a given amount of memory, which in turn allows for quantization without loss of quality. With our optimized C++/CUDA implementation, GALA can be fitted to an object in less than 10 seconds. Moreover, the representation can efficiently be flattened and manipulated with transformer networks. We provide a cascaded generation pipeline capable of generating 3D shapes with great geometric detail.
• Abstract（参考訳）: 我々は3次元形状を表現した新しいGALAを提案する。 一 複雑な地形及び表面の細部を捉え再生すること。 (ii) 計算効率が高く (iii)近代的な拡散型スキームによる3次元生成モデルの構築に寄与する。 GALAの鍵となる考え方は、3次元体積内の表面のグローバルな空間と、その局所的な表面特性の両方を活用することである。 空間は空ではなく3Dオブジェクトの境界のみを木根ボクセルのアンサンブルで覆うことで、スパーシティが促進される。 それぞれのボクセルは、ストレージを制限し、表面を含む領域に計算するオクツリーを含んでいる。 適応性は、各空でない葉ノードに1つの局所的および幾何学的座標フレームを組み込むことによって達成される。 局所格子の配向と、その軸の異方性スケールを局所表面形状に調整することで、与えられたメモリ量に格納できるディテールの量を大幅に増加させ、それによって品質を損なうことなく量子化することができる。 最適化されたC++/CUDA実装では、GALAをオブジェクトに10秒以内で適用することができます。 さらに、この表現を効率よくフラット化し、トランスネットワークで操作することができる。 幾何学的なディテールで3次元形状を生成することができるカスケード生成パイプラインを提供する。

関連論文リスト

• Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
  我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。 本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:56:56Z)
• NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
  3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。 既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。 本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T04:09:34Z)
• Self-supervised Learning for Enhancing Geometrical Modeling in 3D-Aware Generative Adversarial Network [42.16520614686877]
  3D-GANは、メッシュの不完全性や穴などの3D幾何学的モデリングにおいて、アーティファクトを示す。 これらの欠点は、主にアノテーション付き3Dデータの可用性が制限されているためである。 本稿では,任意の3D-GANの補助的損失を補うセルフ・スーパーバイザード・ラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T04:55:33Z)
• Dual Octree Graph Networks for Learning Adaptive Volumetric Shape Representations [21.59311861556396]
  本手法は,3次元形状の体積場を,オクツリーによって構成された適応的特徴量で符号化する。 エンコーダ・デコーダネットワークは、オクツリーノードの二重グラフ上のグラフ畳み込みに基づいて、適応的な特徴量を学ぶように設計されている。 提案手法は, 形状詳細を効果的に符号化し, 高速な3次元形状復元を可能にし, 訓練カテゴリから3次元形状をモデル化するための優れた汎用性を示す。
  論文  参考訳（メタデータ） (2022-05-05T17:56:34Z)
• 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)
• OctField: Hierarchical Implicit Functions for 3D Modeling [18.488778913029805]
  我々は3次元曲面の学習可能な階層的暗黙表現であるOctoFieldを提案し、メモリと計算予算の少ない複雑な曲面の高精度符号化を可能にする。 この目的を達成するために、曲面占有率と部分幾何学の豊かさに応じて3次元空間を適応的に分割する階層的オクツリー構造を導入する。
  論文  参考訳（メタデータ） (2021-11-01T16:29:39Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR Segmentation [81.02742110604161]
  大規模運転シーンのLiDARセグメンテーションのための最先端の手法は、しばしば点雲を2次元空間に投影し、2D畳み込みによって処理する。 そこで我々は,3次元幾何学的パタンを探索するために,円筒分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。 提案手法はセマンティックKITTIのリーダーボードにおいて第1位を獲得し,既存のnuScenesの手法を約4%のマージンで上回っている。
  論文  参考訳（メタデータ） (2020-11-19T18:53:11Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。