論文の概要: Dynamic Neural Surfaces for Elastic 4D Shape Representation and Analysis

• arxiv url: http://arxiv.org/abs/2503.03132v1
• Date: Wed, 05 Mar 2025 03:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:18.694483
• Title: Dynamic Neural Surfaces for Elastic 4D Shape Representation and Analysis
• Title（参考訳）: 弾性4次元形状表現・解析のための動的ニューラルサーフェス
• Authors: Awais Nizamani, Hamid Laga, Guanjin Wang, Farid Boussaid, Mohammed Bennamoun, Anuj Srivastava,
• Abstract要約: 本研究では, 時間とともに変形・進化する遺伝子ゼロ次元表面の統計的解析のための枠組みを提案する。 動的球面ニューラルサーフェス (D-SNS) を導入する。 4次元の人間と顔のデータセット上でのフレームワークの効率を実証する。
• 参考スコア（独自算出の注目度）: 36.228108480107906
• License:
• Abstract: We propose a novel framework for the statistical analysis of genus-zero 4D surfaces, i.e., 3D surfaces that deform and evolve over time. This problem is particularly challenging due to the arbitrary parameterizations of these surfaces and their varying deformation speeds, necessitating effective spatiotemporal registration. Traditionally, 4D surfaces are discretized, in space and time, before computing their spatiotemporal registrations, geodesics, and statistics. However, this approach may result in suboptimal solutions and, as we demonstrate in this paper, is not necessary. In contrast, we treat 4D surfaces as continuous functions in both space and time. We introduce Dynamic Spherical Neural Surfaces (D-SNS), an efficient smooth and continuous spatiotemporal representation for genus-0 4D surfaces. We then demonstrate how to perform core 4D shape analysis tasks such as spatiotemporal registration, geodesics computation, and mean 4D shape estimation, directly on these continuous representations without upfront discretization and meshing. By integrating neural representations with classical Riemannian geometry and statistical shape analysis techniques, we provide the building blocks for enabling full functional shape analysis. We demonstrate the efficiency of the framework on 4D human and face datasets. The source code and additional results are available at https://4d-dsns.github.io/DSNS/.
• Abstract（参考訳）: 本研究では, 時間とともに変形し, 進化する3次元曲面を統計的に解析するための新しい枠組みを提案する。 この問題は、これらの表面の任意のパラメータ化と変形速度の変化により特に困難であり、効果的な時空間登録を必要とする。 伝統的に、4次元曲面は時空間と時間で離散化され、時空間登録、測地学、統計学が計算される。 しかし、このアプローチは最適以下の解をもたらす可能性があり、本論文で示すように、必要ではない。 対照的に、4次元曲面は空間と時間の両方で連続関数として扱う。 動的球面ニューラルサーフェス (D-SNS) を導入する。 次に、事前の離散化やメッシュ化なしに、これらの連続表現上で、時空間登録、測地線計算、平均4次元形状推定などのコア4次元形状解析タスクを実行する方法を示す。 ニューラル表現を古典リーマン幾何学と統計的形状解析と統合することにより、完全な機能的形状解析を可能にするビルディングブロックを提供する。 4次元の人間と顔のデータセット上でのフレームワークの効率を実証する。 ソースコードと追加の結果はhttps://4d-dsns.github.io/DSNS/で公開されている。

関連論文リスト

• 4D Gaussian Splatting: Modeling Dynamic Scenes with Native 4D Primitives [116.2042238179433]
  本稿では,動的シーンを非拘束な4次元ボリューム学習問題とみなす。 本研究では,4次元ガウス原始体の集合を対象とした動的シーンを明示的な幾何学的特徴と外観的特徴で表現する。 このアプローチは、下層のフォトリアリスティック時間体積を適合させることで、空間と時間の関連情報をキャプチャすることができる。 特に、我々の4DGSモデルは、複雑なダイナミックシーンのための、高解像度で斬新なビューのリアルタイムレンダリングをサポートする最初のソリューションです。
  論文  参考訳（メタデータ） (2024-12-30T05:30:26Z)
• Level-Set Parameters: Novel Representation for 3D Shape Analysis [70.23417107911567]
  ニューラルフィールドの最近の発展は、3次元形状の新規で連続的で数値的な表現として符号付き距離関数のレベルセットパラメータをもたらす。 擬似正規分布として定式化し,各データセットに先行する分布を学習することにより,異なる形状の相関関係を確立する。 形状分類,検索,および6次元オブジェクトポーズ推定への応用を通して,新しい表現の可能性を実証する。
  論文  参考訳（メタデータ） (2024-12-18T04:50:19Z)
• A Riemannian Approach for Spatiotemporal Analysis and Generation of 4D Tree-shaped Structures [38.04447518666407]
  木のような4次元オブジェクトにおける時間的形状の変動をモデル化し解析するための、最初の包括的なアプローチを提案する。 我々の重要な貢献は、正方根速度木(SFT)を用いた木のような3次元形状の表現である。 これにより、SRVFT空間における弾性軌道のモデリングや解析よりも、4次元木のような形状のモデリングと解析の問題を低減できる。
  論文  参考訳（メタデータ） (2024-08-22T14:39:30Z)
• SLS4D: Sparse Latent Space for 4D Novel View Synthesis [13.73892118198658]
  既存の動的NeRFは通常、変形場に合うように局所的な密度の格子を利用する。 4次元空間は本質的にスパースである。 学習可能なスパース潜在空間(SLS4D)を用いて4次元シーンを表現することを提案する。
  論文  参考訳（メタデータ） (2023-12-15T12:31:20Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• LoRD: Local 4D Implicit Representation for High-Fidelity Dynamic Human Modeling [69.56581851211841]
  そこで我々は,LoRDという,動的に衣を着る人間の局所的な4D暗黙表現を提案する。 私たちの重要な洞察は、ネットワークがローカルな部分レベルの表現の潜在コードを学ぶように促すことです。 LoRDは、4D人間を表現する能力が強く、実用上の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-08-18T03:49:44Z)
• H4D: Human 4D Modeling by Learning Neural Compositional Representation [75.34798886466311]
  この研究は、動的人間に対するコンパクトで構成的な表現を効果的に学習できる新しい枠組みを提示する。 単純で効果的な線形運動モデルを提案し, 粗く規則化された動き推定を行う。 本手法は, 高精度な動作と詳細な形状を持つ動的ヒトの回復に有効であるだけでなく, 様々な4次元人間関連タスクにも有効であることを示す。
  論文  参考訳（メタデータ） (2022-03-02T17:10:49Z)
• 4DComplete: Non-Rigid Motion Estimation Beyond the Observable Surface [7.637832293935966]
  観測されていないジオメトリの非剛体運動を推定する新しいデータ駆動アプローチである4DCompleteを紹介します。 ネットワークトレーニングのために,DeformingThings4Dという大規模合成データセットを構築した。
  論文  参考訳（メタデータ） (2021-05-05T07:39:12Z)
• 4D Atlas: Statistical Analysis of the Spatiotemporal Variability in Longitudinal 3D Shape Data [34.21760947722201]
  本研究では,その対象を観察し,経時的に変形する3次元形状データセットの新たな変動を学習する枠組みを提案する。 表面が受ける曲げや伸びの量を計測する弾性メトリックを備えた形状空間において、3D面をポイントとして扱います。 4D表面は、この空間の軌道として見ることができる。
  論文  参考訳（メタデータ） (2021-01-23T02:59:55Z)

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。