論文の概要: Parameterize Structure with Differentiable Template for 3D Shape Generation
- arxiv url: http://arxiv.org/abs/2410.10399v1
- Date: Tue, 15 Oct 2024 06:42:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-29 21:44:49.515503
- Title: Parameterize Structure with Differentiable Template for 3D Shape Generation
- Title（参考訳）: 3次元形状生成のための微分テンプレートを用いたパラメータ化構造
- Authors: Changfeng Ma, Pengxiao Guo, Shuangyu Yang, Yinuo Chen, Jie Guo, Chongjun Wang, Yanwen Guo, Wenping Wang,
- Abstract要約: 最近の3次元形状生成には複雑なネットワークと構造定義が使用されている。
本稿では,同じカテゴリの共有構造を微分可能なテンプレートを用いてパラメータ化する手法を提案する。
本手法は,複雑な細部で多種多様な形状を再構築あるいは生成し,円滑に補間することができる。
- 参考スコア（独自算出の注目度）: 39.414253821696846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural representation is crucial for reconstructing and generating editable 3D shapes with part semantics. Recent 3D shape generation works employ complicated networks and structure definitions relying on hierarchical annotations and pay less attention to the details inside parts. In this paper, we propose the method that parameterizes the shared structure in the same category using a differentiable template and corresponding fixed-length parameters. Specific parameters are fed into the template to calculate cuboids that indicate a concrete shape. We utilize the boundaries of three-view drawings of each cuboid to further describe the inside details. Shapes are represented with the parameters and three-view details inside cuboids, from which the SDF can be calculated to recover the object. Benefiting from our fixed-length parameters and three-view details, our networks for reconstruction and generation are simple and effective to learn the latent space. Our method can reconstruct or generate diverse shapes with complicated details, and interpolate them smoothly. Extensive evaluations demonstrate the superiority of our method on reconstruction from point cloud, generation, and interpolation.
- Abstract（参考訳）: 構造表現は、部分意味論による編集可能な3D形状の再構成と生成に不可欠である。
最近の3D形状生成作業では、階層的なアノテーションに依存した複雑なネットワークや構造定義を採用しており、部品内部の詳細にはあまり注意を払わない。
本稿では,異なるテンプレートと対応する固定長パラメータを用いて,同じカテゴリの共有構造をパラメータ化する手法を提案する。
具体的な形状を示す立方体を計算するために、特定のパラメータをテンプレートに入力する。
我々は、各立方体の3次元図面の境界を利用して、内部の詳細をさらに記述する。
形状は立方体内のパラメータと3ビュー詳細で表され、そこからSDFを計算してオブジェクトを復元することができる。
固定長パラメータと3ビューの詳細から、再構成と生成のためのネットワークは簡単で、潜在空間を学習するのに有効です。
本手法は,複雑な細部で多種多様な形状を再構築あるいは生成し,円滑に補間することができる。
大規模評価は, 点雲, 生成, 補間からの再構成における本手法の優位性を示す。
関連論文リスト
- Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。
ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。
クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
論文 参考訳（メタデータ） (2024-05-27T07:10:21Z) - StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。
ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
論文 参考訳（メタデータ） (2023-11-29T10:35:00Z) - DPF-Net: Combining Explicit Shape Priors in Deformable Primitive Field
for Unsupervised Structural Reconstruction of 3D Objects [12.713770164154461]
本稿では,新しい変形可能なプリミティブフィールド表現に基づく非教師なし構造再構成手法DPF-Netを提案する。
パラメータ化幾何プリミティブで事前に符号化された強い形状により、DPF-Netは高次構造を抽出し、きめ細かい形状の細部を連続的に復元することができる。
論文 参考訳（メタデータ） (2023-08-25T07:50:59Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳（メタデータ） (2022-06-10T08:32:57Z) - 3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
単一の2D画像から3D形状を再構築することは難しい作業だ。
従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。
本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
論文 参考訳（メタデータ） (2022-03-29T02:03:31Z) - LSD-StructureNet: Modeling Levels of Structural Detail in 3D Part
Hierarchies [5.173975064973631]
部品の再生を可能にするStructureNetアーキテクチャの拡張であるLSD-StructureNetを紹介する。
部品階層で表される3次元形状の最大データセットであるPartNetデータセット上でLSD-StructureNetを評価する。
論文 参考訳（メタデータ） (2021-08-18T15:05:06Z) - STD-Net: Structure-preserving and Topology-adaptive Deformation Network
for 3D Reconstruction from a Single Image [27.885717341244014]
単一のビューイメージからの3D再構成は、コンピュータビジョンにおける長年の進歩である。
本稿では,メッシュ表現を用いた3次元モデル再構築のためのSTD-Netを提案する。
ShapeNetの画像による実験結果から, 提案したSTD-Netは, 3Dオブジェクトを再構成する他の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-03-07T11:02:47Z) - Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。
本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
論文 参考訳（メタデータ） (2020-03-03T17:40:00Z)
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。