論文の概要: NeuroNURBS: Learning Efficient Surface Representations for 3D Solids

• arxiv url: http://arxiv.org/abs/2411.10848v1
• Date: Sat, 16 Nov 2024 17:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:27:28.460926
• Title: NeuroNURBS: Learning Efficient Surface Representations for 3D Solids
• Title（参考訳）: NeuroNURBS:3次元固体のための効率的な表面表現の学習
• Authors: Jiajie Fan, Babak Gholami, Thomas Bäck, Hao Wang,
• Abstract要約: 境界表現(B-Rep)はコンピュータ支援設計(CAD)における3次元固体のデファクト表現である 現在の研究はしばしばUV格子近似、すなわち表面のサンプル点を均一に利用している。 本稿では,NURBS表面のパラメータを直接符号化する表現学習手法であるNeuroNURBSを提案する。
• 参考スコア（独自算出の注目度）: 4.619979201312323
• License:
• Abstract: Boundary Representation (B-Rep) is the de facto representation of 3D solids in Computer-Aided Design (CAD). B-Rep solids are defined with a set of NURBS (Non-Uniform Rational B-Splines) surfaces forming a closed volume. To represent a surface, current works often employ the UV-grid approximation, i.e., sample points uniformly on the surface. However, the UV-grid method is not efficient in surface representation and sometimes lacks precision and regularity. In this work, we propose NeuroNURBS, a representation learning method to directly encode the parameters of NURBS surfaces. Our evaluation in solid generation and segmentation tasks indicates that the NeuroNURBS performs comparably and, in some cases, superior to UV-grids, but with a significantly improved efficiency: for training the surface autoencoder, GPU consumption is reduced by 86.7%; memory requirement drops by 79.9% for storing 3D solids. Moreover, adapting BrepGen for solid generation with our NeuroNURBS improves the FID from 30.04 to 27.24, and resolves the undulating issue in generated surfaces.
• Abstract（参考訳）: 境界表現(B-Rep)は、CAD(Computer-Aided Design)における3Dソリッドのデファクト表現である。 B-Rep 固体は閉体積を形成する NURBS (Non-Uniform Rational B-Splines) の集合で定義される。 表面を表すために、現在の研究はしばしばUV格子近似(すなわち、表面上のサンプル点)を用いる。 しかし、UV-grid法は表面表現において効率的ではなく、精度と規則性に欠けることがある。 本研究では,NURBS表面のパラメータを直接符号化する表現学習手法であるNeuroNURBSを提案する。 ソリッドジェネレーションおよびセグメンテーションタスクにおける評価から,NeuroNURBSはUVグレードよりも優れた性能を示すが,表面オートエンコーダのトレーニングでは,GPU使用量を86.7%削減し,3Dソリッド保存では79.9%削減した。 さらに、我々のNeuroNURBSで固体生成にBrepGenを適用することで、FIDを30.04から27.24に改善し、生成した表面のゆがみを解消する。

関連論文リスト

• GSurf: 3D Reconstruction via Signed Distance Fields with Direct Gaussian Supervision [0.0]
  マルチビュー画像からの表面再構成は3次元視覚における中核的な課題である。 近年, ニューラル・レージアンス・フィールド(NeRF)内のサイン付き距離場(SDF)を探索し, 高忠実な表面再構成を実現している。 本稿では,ガウス原始体から直接符号付き距離場を学習する新しいエンドツーエンド手法であるGSurfを紹介する。 GSurfは、VolSDFやNeuSといったニューラルな暗黙的表面法に匹敵する3D再構成品質を提供しながら、高速なトレーニングとレンダリングの速度を達成する。
  論文  参考訳（メタデータ） (2024-11-24T05:55:19Z)
• Neural Signed Distance Function Inference through Splatting 3D Gaussians Pulled on Zero-Level Set [49.780302894956776]
  多視点表面再構成における符号付き距離関数(SDF)の推測は不可欠である。 本稿では3DGSとニューラルSDFの学習をシームレスに融合する手法を提案する。 我々の数値的および視覚的比較は、広く使用されているベンチマークの最先端結果よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-18T05:48:06Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• Cheating Depth: Enhancing 3D Surface Anomaly Detection via Depth Simulation [12.843938169660404]
  RGBによる表面異常検出法は大幅に進歩している。 特定の表面異常は、RGBだけでは事実上見えず、3D情報の取り込みが必要である。 産業深度データセット上のRGBバックボーンの再トレーニングは、十分な大規模なデータセットの可用性の制限によって妨げられる。 本稿では,既存のMVTec3D異常検出ベンチマークよりも優れた3DSRによる表面異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T09:44:21Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from Multi-view Images [17.637064969966847]
  NeATは、多視点画像から任意のトポロジを持つ暗黙の曲面を学習する、新しいニューラルネットワークレンダリングフレームワークである。 NeATは、古典的なマーチングキューブアルゴリズムを用いて、フィールドからメッシュへの変換を容易にする。 我々のアプローチは、水密面と非水密面の両方を忠実に再構築することができる。
  論文  参考訳（メタデータ） (2023-03-21T16:49:41Z)
• Neural Poisson: Indicator Functions for Neural Fields [25.41908065938424]
  3次元形状の符号付き距離場表現(SDF)は顕著な進展を示した。 本稿では,3次元シーンのニューラルフィールド表現のための新しいパラダイムを提案する。 提案手法は, 合成3次元シーンデータと実写3次元シーンデータの両方に対して, 最先端の再構築性能を示す。
  論文  参考訳（メタデータ） (2022-11-25T17:28:22Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• 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)

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。