論文の概要: From Mesh Completion to AI Designed Crown

• arxiv url: http://arxiv.org/abs/2501.04914v1
• Date: Thu, 09 Jan 2025 02:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 14:00:05.522025
• Title: From Mesh Completion to AI Designed Crown
• Title（参考訳）: メッシュコンプリートからAI設計冠へ
• Authors: Golriz Hosseinimanesh, Farnoosh Ghadiri, Francois Guibault, Farida Cheriet, Julia Keren,
• Abstract要約: 我々は、ポイントクラウドコンテキストに条件付けされたクラウンメッシュを生成するために、新しいエンドツーエンドのディープラーニングアプローチであるDigital Mesh Completion(DMC)を提案する。 提案手法は平均0.062 Chamfer Distanceを実現する。
• 参考スコア（独自算出の注目度）: 1.6081463005006484
• License:
• Abstract: Designing a dental crown is a time-consuming and labor intensive process. Our goal is to simplify crown design and minimize the tediousness of making manual adjustments while still ensuring the highest level of accuracy and consistency. To this end, we present a new end- to-end deep learning approach, coined Dental Mesh Completion (DMC), to generate a crown mesh conditioned on a point cloud context. The dental context includes the tooth prepared to receive a crown and its surroundings, namely the two adjacent teeth and the three closest teeth in the opposing jaw. We formulate crown generation in terms of completing this point cloud context. A feature extractor first converts the input point cloud into a set of feature vectors that represent local regions in the point cloud. The set of feature vectors is then fed into a transformer to predict a new set of feature vectors for the missing region (crown). Subsequently, a point reconstruction head, followed by a multi-layer perceptron, is used to predict a dense set of points with normals. Finally, a differentiable point-to-mesh layer serves to reconstruct the crown surface mesh. We compare our DMC method to a graph-based convolutional neural network which learns to deform a crown mesh from a generic crown shape to the target geometry. Extensive experiments on our dataset demonstrate the effectiveness of our method, which attains an average of 0.062 Chamfer Distance.The code is available at:https://github.com/Golriz-code/DMC.gi
• Abstract（参考訳）: 歯冠をデザインすることは、時間と労力のかかるプロセスである。 我々のゴールは、クラウンデザインをシンプルにし、手作業による調整の面倒さを最小限に抑えつつ、高い精度と一貫性を確保することです。 この目的のために、我々は、ポイントクラウドコンテキストに条件付けされたクラウンメッシュを生成するために、新しいエンドツーエンドのディープラーニングアプローチである、Digital Mesh Completion (DMC)を提案する。 歯のコンテキストは、クラウン及びその周囲、すなわち、隣り合う2つの歯と、対向する顎に最も近い3つの歯とを受容するために準備された歯を含む。 この点のクラウドコンテキストを完了するという観点でクラウン生成を定式化する。 特徴抽出器は、まず、入力ポイントクラウドを、ポイントクラウド内の局所領域を表す特徴ベクトルのセットに変換する。 特徴ベクトルの集合は変換器に入力され、欠落した領域(cown)に対する新しい特徴ベクトルの集合を予測する。 その後、多層パーセプトロンが続く点再構成ヘッドを用いて、正規値の高密度な点集合を予測する。 最後に、識別可能なポイント・ツー・メッシュ層は、クラウン表面メッシュを再構築するのに役立ちます。 我々はDMC法とグラフベースの畳み込みニューラルネットワークを比較し,クラウンメッシュを汎用的なクラウン形状からターゲット幾何学へ変形させることを学習する。 我々のデータセットに対する大規模な実験は、平均0.062のChamfer Distanceを実現する方法の有効性を示しており、コードはhttps://github.com/Golriz-code/DMC.giで公開されている。

関連論文リスト

• CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization [1.2809296241933283]
  口腔内スキャンにおける歯のランドマーク検出のための,初のエンドツーエンドディープラーニングフレームワークであるCHaRNetを紹介した。 ランドマークを検出する前に歯を磨く従来の2段階とは異なり、CHaRNetは入力点雲を直接操作する。 1,214個の注釈付き3Dモデルを用いて,5点クラウド学習アルゴリズムを用いてCHaRNetを評価した。
  論文  参考訳（メタデータ） (2025-01-22T18:35:57Z)
• Implicit Neural Compression of Point Clouds [58.45774938982386]
  NeRC$textbf3$は、暗黙の神経表現を利用して、幾何学と属性の両方を扱う新しいポイントクラウド圧縮フレームワークである。 動的点雲の場合、4D-NeRC$textbf3$は最先端のG-PCCやV-PCC標準よりも優れた幾何圧縮を示す。
  論文  参考訳（メタデータ） (2024-12-11T03:22:00Z)
• Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective [10.293207903989053]
  既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。 本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。 我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2024-09-18T12:52:54Z)
• Improving the quality of dental crown using a Transformer-based method [5.985943912419412]
  人工歯冠の設計を完全自動で学習する手法を提案する。 本研究では, 歯冠形成の問題点を, 歯の周囲の点雲完備化の課題として取り組んだ。
  論文  参考訳（メタデータ） (2023-03-04T14:14:00Z)
• 3D Tooth Mesh Segmentation with Simplified Mesh Cell Representation [42.512602472176184]
  3次元メッシュによる手動歯のセグメンテーションは面倒であり, 歯科医によって異なる。 本稿では,メッシュセルのバリセンタ情報のみを利用する新たなセグメンテーション手法を提案する。 暗黙的な構造的制約を緩和し、より優れたセグメンテーション性能を達成できることを最初に示す。
  論文  参考訳（メタデータ） (2023-01-25T11:43:56Z)
• An Implicit Parametric Morphable Dental Model [79.29420177904022]
  歯および歯茎の3次元異形性モデルとして, 第一報を提出した。 これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。 我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
  論文  参考訳（メタデータ） (2022-11-21T12:23:54Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)

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。