論文の概要: PartSDF: Part-Based Implicit Neural Representation for Composite 3D Shape Parametrization and Optimization

• arxiv url: http://arxiv.org/abs/2502.12985v1
• Date: Tue, 18 Feb 2025 16:08:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:15.651181
• Title: PartSDF: Part-Based Implicit Neural Representation for Composite 3D Shape Parametrization and Optimization
• Title（参考訳）: PartSDF:複合三次元形状パラメトリゼーションと最適化のためのパートベースインプシットニューラル表現
• Authors: Nicolas Talabot, Olivier Clerc, Arda Cinar Demirtas, Doruk Oner, Pascal Fua,
• Abstract要約: PartSDFは教師付き暗黙の表現フレームワークで、独立して制御可能なパーツで合成形状を明示的にモデル化する。 PartSDFは、再構築および生成タスクにおいて、教師なしベースラインと教師なしベースラインの両方を上回っている。
• 参考スコア（独自算出の注目度）: 38.822156749041206
• License:
• Abstract: Accurate 3D shape representation is essential in engineering applications such as design, optimization, and simulation. In practice, engineering workflows require structured, part-aware representations, as objects are inherently designed as assemblies of distinct components. However, most existing methods either model shapes holistically or decompose them without predefined part structures, limiting their applicability in real-world design tasks. We propose PartSDF, a supervised implicit representation framework that explicitly models composite shapes with independent, controllable parts while maintaining shape consistency. Despite its simple single-decoder architecture, PartSDF outperforms both supervised and unsupervised baselines in reconstruction and generation tasks. We further demonstrate its effectiveness as a structured shape prior for engineering applications, enabling precise control over individual components while preserving overall coherence. Code available at https://github.com/cvlab-epfl/PartSDF.
• Abstract（参考訳）: 正確な3次元形状表現は、設計、最適化、シミュレーションといった工学的応用において不可欠である。 実際には、エンジニアリングワークフローは、オブジェクトが本質的に異なるコンポーネントのアセンブリとして設計されているため、構造化された部分認識表現を必要とする。 しかし、既存のほとんどの手法は、形状を全体的にモデル化するか、あらかじめ定義された部分構造を持たずに分解し、現実の設計タスクにおける適用性を制限している。 形状の整合性を維持しつつ、独立して制御可能な部品で合成形状を明示的にモデル化する暗黙表現フレームワークPartSDFを提案する。 単純なシングルデコーダアーキテクチャにもかかわらず、PartSDFは再構築および生成タスクにおいて教師なしベースラインと教師なしベースラインの両方を上回っている。 さらに, 工学的応用に先立って構造形状としての有効性を実証し, 全体コヒーレンスを維持しつつ, 個々の部品の正確な制御を可能にする。 コードはhttps://github.com/cvlab-epfl/PartSDFで公開されている。

関連論文リスト

• Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
  Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。 ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。 クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
  論文  参考訳（メタデータ） (2024-05-27T07:10:21Z)
• NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
  3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。 既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。 本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-27T04:09:34Z)
• DAE-Net: Deforming Auto-Encoder for fine-grained shape co-segmentation [22.538892330541582]
  本稿では,形状コレクションから変形可能な部分テンプレートの集合を学習する,教師なしの3次元形状協調手法を提案する。 ネットワークは,アフィン変換されたテンプレート部品のサブセットによって各形状を構成する。 DAE-Net for Deforming Auto-Encoderとよばれる我々のネットワークは、きめ細かな、コンパクトで、意味のある部分を生み出す、教師なしの3次元形状のコセグメンテーションを実現することができる。
  論文  参考訳（メタデータ） (2023-11-22T03:26:07Z)
• Attention-based Part Assembly for 3D Volumetric Shape Modeling [0.0]
  本稿では、注意に基づく部分集合のためのVoxAttention Networkアーキテクチャを提案する。 実験結果から,本手法は部分関係を考慮した3次元形状モデリングタスクにおいて,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-17T16:53:27Z)
• SPAMs: Structured Implicit Parametric Models [30.19414242608965]
  本研究では,非剛体物体の動きを形状とポーズの部分的不整合表現に構造的に分解する変形可能なオブジェクト表現として,構造化単純パラメトリックモデル(SPAM)を学習する。 複雑な変形物体の動きの深度配列の復元と追跡において、我々の部分認識形状とポーズ理解が最先端のパフォーマンスに繋がることを示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-20T12:33:46Z)
• LSD-StructureNet: Modeling Levels of Structural Detail in 3D Part Hierarchies [5.173975064973631]
  部品の再生を可能にするStructureNetアーキテクチャの拡張であるLSD-StructureNetを紹介する。 部品階層で表される3次元形状の最大データセットであるPartNetデータセット上でLSD-StructureNetを評価する。
  論文  参考訳（メタデータ） (2021-08-18T15:05:06Z)
• 3D Reconstruction of Novel Object Shapes from Single Images [23.016517962380323]
  提案するSDFNetは,目に見える形状と見えない形状の最先端性能を実現する。 本研究は, 画像形状再構成の大規模評価を行った最初の試みである。
  論文  参考訳（メタデータ） (2020-06-14T00:34:26Z)
• UCLID-Net: Single View Reconstruction in Object Space [60.046383053211215]
  三次元潜在空間を保存する幾何学的空間の構築は,オブジェクト座標空間における大域的形状規則性と局所的推論を同時に学習する上で有効であることを示す。 ベンチマーク目的でよく使用されるShapeNet合成画像と、我々のアプローチが最先端の画像より優れている実世界の画像の両方を実証する。
  論文  参考訳（メタデータ） (2020-06-06T09:15:56Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Unsupervised Learning of Intrinsic Structural Representation Points [50.92621061405056]
  3次元形状の学習構造は、コンピュータグラフィックスと幾何学処理の分野における根本的な問題である。 本稿では,3次元構造点の形で新しい構造表現を学習するための簡易かつ解釈不能な手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T17:40:00Z)

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。