論文の概要: Regularized interpolation in 4D neural fields enables optimization of 3D printed geometries
- arxiv url: http://arxiv.org/abs/2502.01517v1
- Date: Mon, 03 Feb 2025 16:50:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:57:14.582122
- Title: Regularized interpolation in 4D neural fields enables optimization of 3D printed geometries
- Title（参考訳）: 4次元ニューラルフィールドにおける正規化補間による3次元プリントジオメトリの最適化
- Authors: Christos Margadji, Andi Kuswoyo, Sebastian W. Pattinson,
- Abstract要約: 3Dプリンティングには、例外的なデザインの自由と複雑さが特徴だ。
また、その潜在能力を最大限に発揮するためには、幾何学的な欠陥やその他の欠陥も解決しなければならない。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The ability to accurately produce geometries with specified properties is perhaps the most important characteristic of a manufacturing process. 3D printing is marked by exceptional design freedom and complexity but is also prone to geometric and other defects that must be resolved for it to reach its full potential. Ultimately, this will require both astute design decisions and timely parameter adjustments to maintain stability that is challenging even with expert human operators. While machine learning is widely investigated in 3D printing, existing methods typically overlook spatial features that vary across prints and thus find it difficult to produce desired geometries. Here, we encode volumetric representations of printed parts into neural fields and apply a new regularization strategy, based on minimizing the partial derivative of the field's output with respect to a single, non-learnable parameter. By thus encouraging small input changes to yield only small output variations, we encourage smooth interpolation between observed volumes and hence realistic geometry predictions. This framework therefore allows the extraction of 'imagined' 3D shapes, revealing how a part would look if manufactured under previously unseen parameters. The resulting continuous field is used for data-driven optimization to maximize geometric fidelity between expected and produced geometries, reducing post-processing, material waste, and production costs. By optimizing process parameters dynamically, our approach enables advanced planning strategies, potentially allowing manufacturers to better realize complex and feature-rich designs.
- Abstract（参考訳）: 特定の特性を持つ測地を正確に生成する能力は、おそらく製造プロセスの最も重要な特徴である。
3Dプリンティングは、例外的な設計の自由と複雑さによって特徴付けられるが、その潜在能力を最大限に発揮するために解決しなければならない幾何学的欠陥やその他の欠陥もある。
究極的には、これは専門家の人間のオペレーターでさえ困難な安定性を維持するために、簡潔な設計決定とタイムリーなパラメータ調整の両方を必要とする。
機械学習は3Dプリンティングで広く研究されているが、既存の手法は通常、印刷物によって異なる空間的特徴を見落としているため、望ましいジオメトリを作成できない。
ここでは、印刷部品の体積表現をニューラルネットワークにエンコードし、単一の非学習可能なパラメータに対して、フィールドの出力の部分微分を最小化する新しい正規化戦略を適用する。
これにより、小さな入力変化を奨励し、小さな出力変化しか与えないので、観察された体積としたがって現実的な幾何学的予測を円滑に補間することを奨励する。
したがって、このフレームワークは「想像された」3次元形状の抽出を可能にする。
得られた連続体はデータ駆動の最適化に使われ、予測された測地と生成された測地の間の幾何学的忠実度を最大化し、後処理、材料廃棄物、生産コストを削減した。
プロセスパラメータを動的に最適化することにより、我々のアプローチは高度な計画戦略を可能にし、製造元が複雑で機能豊富な設計をよりよく実現できる可能性がある。
関連論文リスト
- LinPrim: Linear Primitives for Differentiable Volumetric Rendering [53.780682194322225]
線形プリミティブ-オクタヘドラとテトラヘドラ-ボスに基づく2つの新しいシーン表現を導入する。
この定式化は、ダウンストリームアプリケーションのオーバーヘッドを最小限にする、標準メッシュベースのツールと自然に一致します。
再現精度を向上するためにプリミティブを減らしながら,最先端のボリューム手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2025-01-27T18:49:38Z) - DetailGen3D: Generative 3D Geometry Enhancement via Data-Dependent Flow [44.72037991063735]
DetailGen3Dは、生成された3D形状を強化するために特別に設計されたジェネレーティブなアプローチである。
我々の重要な洞察は、潜在空間におけるデータ依存フローを通して、粗大から細小への変換を直接モデル化することである。
改質時に正確な空間対応を確保するためのトークンマッチング戦略を導入する。
論文 参考訳（メタデータ） (2024-11-25T17:08:17Z) - Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。
我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-09-19T01:47:04Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。
拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。
本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
論文 参考訳（メタデータ） (2024-03-18T17:50:41Z) - Weighted Unsupervised Domain Adaptation Considering Geometry Features
and Engineering Performance of 3D Design Data [2.306144660547256]
本稿では,3次元設計データの幾何学的特徴と工学的性能を考慮した2重非教師なし領域適応手法を提案する。
提案モデルでは, 最大von Mises応力の大きさとそれに対応する3次元路面車輪の位置を予測するために, 車輪衝撃解析問題を用いて実験を行った。
論文 参考訳（メタデータ） (2023-09-08T00:26:44Z) - Deep Learning Assisted Optimization for 3D Reconstruction from Single 2D
Line Drawings [13.532686360047574]
本稿では,3次元物体の幾何学的実体間の対関係を検出するために,ディープニューラルネットワークを訓練することを提案する。
CADモデルの大規模なデータセット実験により、幾何学的制約解決パイプラインにおけるディープラーニングを活用することにより、最適化に基づく3D再構成の成功率を大幅に改善できることが示されている。
論文 参考訳（メタデータ） (2022-09-06T17:59:11Z) - Development of a deep learning platform for optimising sheet stamping
geometries subject to manufacturing constraints [3.264571107058741]
板の切削工程により、重量比に対して剛性が高い複雑な形状の構造部品を効率的に製造できる。
本稿では,3次元要素幾何学を最適化する新しいディープラーニングプラットフォームを提案する。
論文 参考訳（メタデータ） (2022-02-04T22:29:12Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z)
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。