Fugu-MT 論文翻訳(概要): DMesh++: An Efficient Differentiable Mesh for Complex Shapes

論文の概要: DMesh++: An Efficient Differentiable Mesh for Complex Shapes

arxiv url: http://arxiv.org/abs/2412.16776v2
Date: Sun, 06 Jul 2025 23:21:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-08 15:46:34.176025
Title: DMesh++: An Efficient Differentiable Mesh for Complex Shapes
Title（参考訳）: DMesh++: 複雑な形状のための効率的な微分可能なメッシュ
Authors: Sanghyun Son, Matheus Gadelha, Yang Zhou, Matthew Fisher, Zexiang Xu, Yi-Ling Qiao, Ming C. Lin, Yi Zhou,
Abstract要約: 複雑な構造を持つメッシュを効率的に処理する新しい微分可能なメッシュ処理手法を提案する。本手法は, O(N) から O(log N) への時間的複雑性を低減し, 従来の手法に比べてメモリ消費を著しく削減する。本稿では,点雲や多視点画像から複雑な2次元および3次元形状を生成することができる再構成アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 51.75054400014161
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent probabilistic methods for 3D triangular meshes capture diverse shapes by differentiable mesh connectivity, but face high computational costs with increased shape details. We introduce a new differentiable mesh processing method that addresses this challenge and efficiently handles meshes with intricate structures. Our method reduces time complexity from O(N) to O(log N) and requires significantly less memory than previous approaches. Building on this innovation, we present a reconstruction algorithm capable of generating complex 2D and 3D shapes from point clouds or multi-view images. Visit our project page (https://sonsang.github.io/dmesh2-project) for source code and supplementary material.
Abstract（参考訳）: 最近の3次元三角形メッシュの確率的手法は、異なるメッシュ接続によって様々な形状をキャプチャするが、形状の細部を増大させて高い計算コストに直面している。この課題に対処し、複雑な構造を持つメッシュを効率的に処理する、新たな差別化可能なメッシュ処理手法を提案する。本手法は, O(N) から O(log N) への時間的複雑性を低減し, 従来の手法に比べてメモリ消費を著しく削減する。この革新に基づいて、点雲や多視点画像から複雑な2次元および3次元形状を生成することができる再構成アルゴリズムを提案する。ソースコードと補足資料のプロジェクトページ(https://sonsang.github.io/dmesh2-project)を参照してください。

関連論文リスト

2D Triangle Splatting for Direct Differentiable Mesh Training [4.161453036693641]
2DTS(2D Triangle Splatting)は、3次元ガウス原始体を2次元三角形のフェーレットに置き換える新しい方法である。三角形プリミティブにコンパクト性パラメータを組み込むことで、光現実性メッシュの直接訓練を可能にする。提案手法は,既存のメッシュ再構成手法と比較して,視覚的品質の優れた再構成メッシュを生成する。
論文参考訳（メタデータ） (2025-06-23T12:26:47Z)
ShapeShifter: 3D Variations Using Multiscale and Sparse Point-Voxel Diffusion [19.30740914413954]
本稿では,単一参照モデルに基づいて形状変化を合成する新しい3次元生成モデルであるShapeShifterを提案する。その結果, 従来のSDF法よりも, 入力の細部をより正確に把握し, より汎用的な表面形状を処理できることが示唆された。
論文参考訳（メタデータ） (2025-02-04T10:02:40Z)
Occupancy-Based Dual Contouring [12.944046673902415]
本稿では,2重畳み込み方式を提案する。本手法は,GPU並列化を最大化するために,学習不要かつ慎重に設計されている。
論文参考訳（メタデータ） (2024-09-20T11:32:21Z)
MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
論文参考訳（メタデータ） (2024-05-31T14:35:35Z)
PivotMesh: Generic 3D Mesh Generation via Pivot Vertices Guidance [66.40153183581894]
汎用的でスケーラブルなメッシュ生成フレームワークであるPivotMeshを紹介します。 PivotMeshは、ネイティブメッシュ生成を大規模データセットに拡張する最初の試みである。 PivotMeshは,様々なカテゴリにまたがって,コンパクトでシャープな3Dメッシュを生成することができることを示す。
論文参考訳（メタデータ） (2024-05-27T07:13:13Z)
DMesh: A Differentiable Mesh Representation [40.800084296073415]
DMeshは一般的な3次元三角形メッシュの微分可能表現である。まず、重み付きデラウネー三角測量(WDT)に基づいて、領域をコンパクトにテセルレートする凸四面体(convex tetrahedra)の集合を得る。我々は、WDTに基づいて、実際の表面に存在する顔の確率を微分可能な方法で定式化する。
論文参考訳（メタデータ） (2024-04-20T18:52:51Z)
E(3)-Equivariant Mesh Neural Networks [16.158762988735322]
三角形メッシュは3次元オブジェクトを表現するために広く使われている。近年の多くの研究は、3Dメッシュ上での幾何学的深層学習の必要性に対処している。 E(n)-同変グラフニューラルネットワーク(EGNN)の方程式を拡張し、メッシュフェイス情報を組み込む。結果として得られるアーキテクチャであるEMNN(Equivariant Mesh Neural Network)は、メッシュタスクにおいて、他のより複雑な同変手法よりも優れている。
論文参考訳（メタデータ） (2024-02-07T13:21:41Z)
Neural ShDF: Reviving an Efficient and Consistent Mesh Segmentation Method [0.0]
本稿では,メッシュセグメンテーションに先立って,ディープラーニングを利用してマッピング関数を符号化する手法を提案する。我々のアプローチは、入力メッシュをダウンサンプルし、フル解像度構造をクエリするので、解像度に依存しない。
論文参考訳（メタデータ） (2023-06-14T18:27:39Z)
NeuManifold: Neural Watertight Manifold Reconstruction with Efficient and High-Quality Rendering Support [43.5015470997138]
マルチビュー入力画像から高品質な水密多様体メッシュを生成する手法を提案する。提案手法は両世界の利点を組み合わせ, ニューラルネットワークから得られる幾何学と, よりコンパクトな神経テクスチャ表現を最適化する。
論文参考訳（メタデータ） (2023-05-26T17:59:21Z)
Joint-MAE: 2D-3D Joint Masked Autoencoders for 3D Point Cloud Pre-training [65.75399500494343]
Masked Autoencoders (MAE) は、2Dおよび3Dコンピュータビジョンのための自己教師型学習において有望な性能を示した。自己監督型3次元点雲事前学習のための2D-3DジョイントMAEフレームワークであるJoint-MAEを提案する。
論文参考訳（メタデータ） (2023-02-27T17:56:18Z)
A Scalable Combinatorial Solver for Elastic Geometrically Consistent 3D Shape Matching [69.14632473279651]
本稿では,3次元形状間の幾何学的一貫したマッピング空間をグローバルに最適化するスケーラブルなアルゴリズムを提案する。従来の解法よりも数桁高速なラグランジュ双対問題と結合した新しい原始問題を提案する。
論文参考訳（メタデータ） (2022-04-27T09:47:47Z)
Laplacian2Mesh: Laplacian-Based Mesh Understanding [4.808061174740482]
我々は3次元トライアングルメッシュのための新しいフレキシブル畳み込みニューラルネットワーク(CNN)モデルであるLaplacian2Meshを紹介した。メッシュプーリングはラプラシアンの多空間変換によりネットワークの受容場を拡張するために適用される。 3Dメッシュに適用されたさまざまな学習タスクの実験は、Laplacian2Meshの有効性と効率を実証している。
論文参考訳（メタデータ） (2022-02-01T10:10:13Z)
Multi-initialization Optimization Network for Accurate 3D Human Pose and Shape Estimation [75.44912541912252]
我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
論文参考訳（メタデータ） (2021-12-24T02:43:58Z)
Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2021-12-03T09:16:49Z)
Subdivision-Based Mesh Convolution Networks [38.09613983540932]
畳み込みニューラルネットワーク(CNN)は、2Dコンピュータビジョンにおいて大きなブレークスルーをもたらした。本稿では,ループ分割シーケンス接続を伴う3次元トライアングルメッシュのための新しいCNNフレームワークSubdivNetを提案する。メッシュ分類,セグメンテーション,対応,実世界からの検索実験により,SubdivNetの有効性と有効性を示す。
論文参考訳（メタデータ） (2021-06-04T06:50:34Z)
Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
論文参考訳（メタデータ） (2020-11-03T02:57:01Z)
Improved Modeling of 3D Shapes with Multi-view Depth Maps [48.8309897766904]
CNNを用いて3次元形状をモデル化するための汎用フレームワークを提案する。オブジェクトの1つの深度画像だけで、3Dオブジェクトの高密度な多視点深度マップ表現を出力できる。
論文参考訳（メタデータ） (2020-09-07T17:58:27Z)
Implicit Functions in Feature Space for 3D Shape Reconstruction and Completion [53.885984328273686]
Implicit Feature Networks (IF-Nets) は連続的な出力を提供し、複数のトポロジを扱える。 IF-NetsはShapeNetにおける3次元オブジェクト再構成における先行作業よりも明らかに優れており、より正確な3次元人間の再構成が得られる。
論文参考訳（メタデータ） (2020-03-03T11:14:29Z)

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。