論文の概要: 4Deform: Neural Surface Deformation for Robust Shape Interpolation
- arxiv url: http://arxiv.org/abs/2502.20208v1
- Date: Thu, 27 Feb 2025 15:47:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-28 14:57:18.495216
- Title: 4Deform: Neural Surface Deformation for Robust Shape Interpolation
- Title（参考訳）: 4Deform:ロバスト形状補間のためのニューラル表面変形
- Authors: Lu Sang, Zehranaz Canfes, Dongliang Cao, Riccardo Marin, Florian Bernard, Daniel Cremers,
- Abstract要約: 本研究では,非構造化データにおける非剛性変形形状間の中間形状を現実的に生成するための新しい手法を開発した。
本手法はユークリッド空間における連続速度場を学習し,訓練中に中間形状の監視を必要としない。
提案手法は, 4次元Kinectシークエンスアップサンプリングや実世界の高分解能メッシュ変形などの新しいアプリケーションを実現する。
- 参考スコア（独自算出の注目度）: 47.47045870313048
- License:
- Abstract: Generating realistic intermediate shapes between non-rigidly deformed shapes is a challenging task in computer vision, especially with unstructured data (e.g., point clouds) where temporal consistency across frames is lacking, and topologies are changing. Most interpolation methods are designed for structured data (i.e., meshes) and do not apply to real-world point clouds. In contrast, our approach, 4Deform, leverages neural implicit representation (NIR) to enable free topology changing shape deformation. Unlike previous mesh-based methods that learn vertex-based deformation fields, our method learns a continuous velocity field in Euclidean space. Thus, it is suitable for less structured data such as point clouds. Additionally, our method does not require intermediate-shape supervision during training; instead, we incorporate physical and geometrical constraints to regularize the velocity field. We reconstruct intermediate surfaces using a modified level-set equation, directly linking our NIR with the velocity field. Experiments show that our method significantly outperforms previous NIR approaches across various scenarios (e.g., noisy, partial, topology-changing, non-isometric shapes) and, for the first time, enables new applications like 4D Kinect sequence upsampling and real-world high-resolution mesh deformation.
- Abstract（参考訳）: 特に、フレーム間の時間的一貫性が欠如し、トポロジが変化している非構造化データ(例えば点雲)では、コンピュータビジョンにおいて現実的な中間形状を生成することは難しい課題である。
ほとんどの補間法は構造化データ(メッシュ)用に設計されており、実世界の点雲には適用されない。
対照的に、我々のアプローチである4Deformは、ニューラル暗示表現(NIR)を活用して、自由位相変化の形状変形を可能にする。
頂点に基づく変形場を学習する従来のメッシュベースの手法とは異なり,本手法はユークリッド空間における連続速度場を学習する。
したがって、ポイントクラウドのようなより構造化されていないデータに適している。
さらに,本手法はトレーニング中に中間形状の監視を必要としないため,速度場を正規化するために物理的および幾何学的制約を組み込む。
我々は、NIRと速度場を直接リンクする改良されたレベルセット方程式を用いて中間面を再構成する。
実験の結果,従来のNIR手法は様々なシナリオ(ノイズ,部分,トポロジ変化,非等尺形状)で著しく優れており,初めて4次元Kinectシークエンスアップサンプリングや実世界の高分解能メッシュ変形といった新しいアプリケーションを実現することができた。
関連論文リスト
- Implicit Neural Surface Deformation with Explicit Velocity Fields [47.610773635281085]
一対の点雲間の変形と時間変化したニューラルな暗黙の表面を同時に予測する最初の教師なし手法を導入する。
本手法は, 中間形状の監督を伴わずに剛性変形と非剛性変形を両立させることができる。
論文 参考訳（メタデータ） (2025-01-23T19:11:53Z) - Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。
我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。
我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-11-08T06:52:57Z) - Neural Shape Deformation Priors [14.14047635248036]
本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。
形状の幾何学的性質に基づいて変形挙動を学習する。
本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
論文 参考訳（メタデータ） (2022-10-11T17:03:25Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural
Implicit Shapes [117.76767853430243]
SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。
反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。
最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
論文 参考訳（メタデータ） (2021-04-08T17:54:59Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
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。