論文の概要: Geometry Distributions

• arxiv url: http://arxiv.org/abs/2411.16076v1
• Date: Mon, 25 Nov 2024 04:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:00.775144
• Title: Geometry Distributions
• Title（参考訳）: 幾何学的分布
• Authors: Biao Zhang, Jing Ren, Peter Wonka,
• Abstract要約: 本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
• 参考スコア（独自算出の注目度）: 51.4061133324376
• License:
• Abstract: Neural representations of 3D data have been widely adopted across various applications, particularly in recent work leveraging coordinate-based networks to model scalar or vector fields. However, these approaches face inherent challenges, such as handling thin structures and non-watertight geometries, which limit their flexibility and accuracy. In contrast, we propose a novel geometric data representation that models geometry as distributions-a powerful representation that makes no assumptions about surface genus, connectivity, or boundary conditions. Our approach uses diffusion models with a novel network architecture to learn surface point distributions, capturing fine-grained geometric details. We evaluate our representation qualitatively and quantitatively across various object types, demonstrating its effectiveness in achieving high geometric fidelity. Additionally, we explore applications using our representation, such as textured mesh representation, neural surface compression, dynamic object modeling, and rendering, highlighting its potential to advance 3D geometric learning.
• Abstract（参考訳）: 三次元データのニューラル表現は様々なアプリケーションで広く採用されており、特に最近の研究では座標に基づくネットワークを利用してスカラーやベクトル場をモデル化している。 しかし、これらのアプローチは、細い構造や非水密な地形を扱うなど、その柔軟性と精度を制限するような固有の課題に直面している。 対照的に、幾何学を分布としてモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布を学習し,微粒な幾何学的詳細を捉える。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。 さらに、テクスチャメッシュ表現、ニューラルサーフェス圧縮、動的オブジェクトモデリング、レンダリングといった、私たちの表現を用いたアプリケーションについて検討し、3次元幾何学的学習を前進させる可能性を強調した。

関連論文リスト

• InfoNorm: Mutual Information Shaping of Normals for Sparse-View Reconstruction [15.900375207144759]
  多視点画像からの3次元表面再構成はシーン理解とインタラクションに不可欠である。 ニューラルレージアンス場(NeRF)や符号付き距離関数(SDF)といった近年の暗黙的な表面表現は、観測情報の欠如を解決するために様々な幾何学的先行法を用いている。 本稿では,高度に相関したシーンポイントの表面正規化における相互情報を明確に促進することにより,幾何学的モデリングの正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-17T15:46:25Z)
• Object Dynamics Modeling with Hierarchical Point Cloud-based Representations [1.3934784414106087]
  本稿では,連続点畳み込みに基づく新しいU-netアーキテクチャを提案する。 ダウンサンプリングされた点雲のボトルネック層は、より優れた長距離相互作用モデリングをもたらす。 我々の手法は、特に正確な重力や衝突の推論を必要とするシナリオにおいて、最先端の手法を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-09T06:10:15Z)
• Geometry-Informed Neural Networks [15.27249535281444]
  幾何インフォームドニューラルネットワーク(GINN)を導入する。 GINNは、データなしで形状生成ニューラルネットワークをトレーニングするためのフレームワークである。 GINNをいくつかの検証問題と現実的な3Dエンジニアリング設計問題に適用する。
  論文  参考訳（メタデータ） (2024-02-21T18:50:12Z)
• Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
  本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。 提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。 本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
  論文  参考訳（メタデータ） (2024-02-08T17:57:59Z)
• Learning Neural Implicit Representations with Surface Signal Parameterizations [14.835882967340968]
  本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。 私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
  論文  参考訳（メタデータ） (2022-11-01T15:10:58Z)
• 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)
• 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)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)

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。