Fugu-MT 論文翻訳(概要): PhyDeformer: High-Quality Non-Rigid Garment Registration with Physics-Awareness

論文の概要: PhyDeformer: High-Quality Non-Rigid Garment Registration with Physics-Awareness

arxiv url: http://arxiv.org/abs/2501.10455v1
Date: Tue, 14 Jan 2025 20:02:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-26 02:12:14.413777
Title: PhyDeformer: High-Quality Non-Rigid Garment Registration with Physics-Awareness
Title（参考訳）: PhyDeformer:物理認識による高品質な非デジタルガーメント登録
Authors: Boyang Yu, Frederic Cordier, Hyewon Seo,
Abstract要約: PhyDeformerは、高品質なメッシュ登録のための新しい変形方法である。第1フェーズでは、メッシュテンプレートとターゲットメッシュとの間の粗い3Dアライメントを達成するために、衣服グレーディングが行われる。グラデーションメッシュは、ジャコビアンベースの変形フレームワークと組み合わせた最適化により、3Dターゲットの微細な細部と整合するように洗練される。
参考スコア（独自算出の注目度）: 3.5103458827831937
License:
Abstract: We present PhyDeformer, a new deformation method for high-quality garment mesh registration. It operates in two phases: In the first phase, a garment grading is performed to achieve a coarse 3D alignment between the mesh template and the target mesh, accounting for proportional scaling and fit (e.g. length, size). Then, the graded mesh is refined to align with the fine-grained details of the 3D target through an optimization coupled with the Jacobian-based deformation framework. Both quantitative and qualitative evaluations on synthetic and real garments highlight the effectiveness of our method.
Abstract（参考訳）: 高品質なメッシュ登録のための新しい変形法であるPhyDeformerを提案する。第1フェーズでは、メッシュテンプレートとターゲットメッシュとの間の粗い3Dアライメントを達成するために、比例スケーリングと適合(例えば、長さ、サイズ)を考慮して、衣服グレーディングを行う。次に、ジャコビアンベースの変形フレームワークと結合した最適化により、3Dターゲットの微細な細部と整合するように、グレードメッシュを洗練する。合成衣服と実服の定量的および質的評価は,本手法の有効性を浮き彫りにした。

関連論文リスト

Differentiable Voxelization and Mesh Morphing [11.705508170622236]
本研究では3次元メッシュのドッキング数と固体角による微分可能なボキセル化を提案する。提案手法は, 3次元メッシュの高速, フレキシブル, 高精度なボキセル化を実現する。
論文参考訳（メタデータ） (2024-07-15T22:39:03Z)
Leveraging Intrinsic Properties for Non-Rigid Garment Alignment [42.00400999141763]
本稿では,2つのニューラル変形場を持つ固有多様体特性を生かした,粗粒二段法を提案する。本手法は, クリンクルレベル, テクスチャレベルのアライメントを高精度に達成し, ロングコートなどの衣料の難しさに対処する。
論文参考訳（メタデータ） (2023-08-18T12:54:12Z)
Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
論文参考訳（メタデータ） (2023-08-10T06:40:19Z)
High-Fidelity Clothed Avatar Reconstruction from a Single Image [73.15939963381906]
本研究では,1枚の画像から高忠実度布地アバター再構成を実現するための粗大な方法を提案する。我々は暗黙のモデルを用いて、学習ベースの方法で人の標準空間の一般的な形状を学習する。提案手法は, 提案空間における非剛性変形を最適化的に推定することにより, 表面の細部を改良する。
論文参考訳（メタデータ） (2023-04-08T04:01:04Z)
A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文参考訳（メタデータ） (2022-02-01T21:21:56Z)
Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文参考訳（メタデータ） (2021-10-11T17:24:52Z)
3D Pose Transfer with Correspondence Learning and Mesh Refinement [41.92922228475176]
3Dポーズ転送は、最も困難な3D生成タスクの1つである。本研究では,人間と動物のメッシュの3次元ポーズ伝達を支援するための通信抑制ネットワークを提案する。
論文参考訳（メタデータ） (2021-09-30T11:49:03Z)
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)
Fully Convolutional Graph Neural Networks for Parametric Virtual Try-On [9.293488420613148]
完全畳み込みグラフニューラルネットワークに基づく仮想試行アプリケーションのための学習に基づくアプローチを提案する。特定の衣服やメッシュトポロジーのために訓練された既存のデータ駆動モデルとは対照的に、私たちの完全な畳み込みモデルは、大きな種類の衣服を扱うことができる。内部では、3つの異なる変形源を分離し、衣服のフィットを条件にすることで、3D衣服のドレープを学習する新しい幾何学的深層学習手法が提案されている。
論文参考訳（メタデータ） (2020-09-09T22:38:03Z)
Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。