論文の概要: Partial Non-rigid Deformations and interpolations of Human Body Surfaces
- arxiv url: http://arxiv.org/abs/2412.02306v1
- Date: Tue, 03 Dec 2024 09:21:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:44:29.372251
- Title: Partial Non-rigid Deformations and interpolations of Human Body Surfaces
- Title(参考訳): 人体表面の部分的非剛性変形と補間
- Authors: Thomas Besnier, Emery Pierson, Sylvain Arguillere, Mohamed Daoudi,
- Abstract要約: PaNDASは最近の深層モデルに基づいて3次元表面メッシュの局所的および大域的変形を学習する新しい手法である。
提案手法は, 新たな形状を生成し, 部品間を補間し, その他の形状操作を行うために有効であることを示す。
- 参考スコア(独自算出の注目度): 4.899818550820576
- License:
- Abstract: Non-rigid shape deformations pose significant challenges, and most existing methods struggle to handle partial deformations effectively. We present Partial Non-rigid Deformations and interpolations of the human body Surfaces (PaNDAS), a new method to learn local and global deformations of 3D surface meshes by building on recent deep models. Unlike previous approaches, our method enables restricting deformations to specific parts of the shape in a versatile way and allows for mixing and combining various poses from the database, all while not requiring any optimization at inference time. We demonstrate that the proposed framework can be used to generate new shapes, interpolate between parts of shapes, and perform other shape manipulation tasks with state-of-the-art accuracy and greater locality across various types of human surface data. Code and data will be made available soon.
- Abstract(参考訳): 非剛体形状の変形は重要な課題であり、既存のほとんどの手法は部分的な変形を効果的に扱うのに苦労している。
近年の深層モデルに基づく3次元表面メッシュの局所的および大域的変形を学習するための新しい手法であるPaNDASの非剛性部分変形と補間について述べる。
従来の手法とは違って,本手法では,形状の特定の部分への変形を多目的に制限し,データベースから様々なポーズを混合・結合することが可能であり,推論時に最適化は不要である。
提案手法は, 新たな形状の生成, 形状の補間, その他の形状操作作業において, 最先端の精度と多種多様な人体表面データ間の局所性の向上に有効であることを示す。
コードとデータは近く公開される予定だ。
関連論文リスト
- Combining Neural Fields and Deformation Models for Non-Rigid 3D Motion Reconstruction from Partial Data [7.327850781641328]
本研究では,非剛性変形形状の非構造観察から時間的コヒーレントな3次元運動を再構成するための,新しいデータ駆動型アプローチを提案する。
我々のゴールは、ゆるい服を着ている人間など、ほぼ等尺変形する形状の高忠実な動き再構成を実現することである。
本手法は, モノクローナルディープビデオから再構成したヒトおよび動物の動き系列に適用することにより, 最先端のアプローチよりも優れる。
論文 参考訳(メタデータ) (2024-12-11T16:24:08Z) - Beyond Complete Shapes: A quantitative Evaluation of 3D Shape Matching Algorithms [41.95394677818476]
3次元形状の対応を見つけることは、コンピュータビジョン、グラフィックスなどにおいて重要な問題である。
我々は、挑戦的な部分的な形状マッチングシナリオの手続き生成のための汎用的で柔軟なフレームワークを提供する。
手動で7つの既存の(完全な幾何学)形状マッチングデータセット間のクロスデータセット対応を作成し、合計2543個の形状を生成する。
論文 参考訳(メタデータ) (2024-11-05T21:08:19Z) - ShapeBoost: Boosting Human Shape Estimation with Part-Based
Parameterization and Clothing-Preserving Augmentation [58.50613393500561]
本研究では,新しい形状復元フレームワークであるShapeBoostを提案する。
稀な体型であってもピクセルレベルのアライメントを実現し、異なるタイプの服を着ている人には高い精度が期待できる。
論文 参考訳(メタデータ) (2024-03-02T23:40:23Z) - Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳(メタデータ) (2024-02-29T07:26:23Z) - Explorable Mesh Deformation Subspaces from Unstructured Generative
Models [53.23510438769862]
3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。
本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T18:53:57Z) - Neural Shape Deformation Priors [14.14047635248036]
本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。
形状の幾何学的性質に基づいて変形挙動を学習する。
本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
論文 参考訳(メタデータ) (2022-10-11T17:03:25Z) - Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape
Laplacian [58.704089101826774]
形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。
点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。
実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
論文 参考訳(メタデータ) (2022-03-29T04:57:18Z) - SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。
既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
論文 参考訳(メタデータ) (2021-08-10T06:49:45Z) - SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local
Elements [62.652588951757764]
衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。
最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。
まず、人間の体モデルに基づいて表面要素を変形させます。
第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
論文 参考訳(メタデータ) (2021-04-15T17:59:39Z) - Joint Learning of 3D Shape Retrieval and Deformation [43.359465703912676]
対象画像やスキャンと一致する高品質な3dモデルを作成するための新しい手法を提案する。
本手法は,既存の形状を3dモデルデータベースから検索し,その形状に適合するように変形する手法である。
論文 参考訳(メタデータ) (2021-01-19T22:49:41Z)
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。