論文の概要: Geometry in Style: 3D Stylization via Surface Normal Deformation
- arxiv url: http://arxiv.org/abs/2503.23241v1
- Date: Sat, 29 Mar 2025 22:40:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:33:48.080191
- Title: Geometry in Style: 3D Stylization via Surface Normal Deformation
- Title（参考訳）: 形状の幾何学:表面正規変形による3次元スティル化
- Authors: Nam Anh Dinh, Itai Lang, Hyunwoo Kim, Oded Stein, Rana Hanocka,
- Abstract要約: 我々は、アイデンティティ保存メッシュスタイリングの新しい手法であるGeometry in Styleを提案する。
既存の技術は、バンプマップのような過度に制限された変形を通じて、元の形状に固執する。
対照的に、三角形メッシュの変形を対象の正規ベクトルとして表現する。
- 参考スコア（独自算出の注目度）: 14.178630551656758
- License:
- Abstract: We present Geometry in Style, a new method for identity-preserving mesh stylization. Existing techniques either adhere to the original shape through overly restrictive deformations such as bump maps or significantly modify the input shape using expressive deformations that may introduce artifacts or alter the identity of the source shape. In contrast, we represent a deformation of a triangle mesh as a target normal vector for each vertex neighborhood. The deformations we recover from target normals are expressive enough to enable detailed stylizations yet restrictive enough to preserve the shape's identity. We achieve such deformations using our novel differentiable As-Rigid-As-Possible (dARAP) layer, a neural-network-ready adaptation of the classical ARAP algorithm which we use to solve for per-vertex rotations and deformed vertices. As a differentiable layer, dARAP is paired with a visual loss from a text-to-image model to drive deformations toward style prompts, altogether giving us Geometry in Style. Our project page is at https://threedle.github.io/geometry-in-style.
- Abstract（参考訳）: 我々は、アイデンティティ保存メッシュスタイリングの新しい手法であるGeometry in Styleを提案する。
既存の技術は、バンプマップのような過度に制限された変形によって元の形状に固執するか、あるいは、アーチファクトを導入したり、ソース形状の同一性を変更するような表現的な変形を用いて入力形状を著しく修正する。
対照的に、各頂点近傍のターゲット正規ベクトルとして三角形メッシュの変形を表す。
対象の正規値から復元した変形は、詳細なスタイリゼーションを実現するのに十分だが、形状のアイデンティティを保持するのに十分な制限がある。
我々は,従来のARAPアルゴリズムをニューラルネットワークで適用した,新たな微分可能なAs-Rigid-As-Possible(dARAP)層を用いて,その変形を実現する。
微分可能なレイヤとして、dARAPはテキストからイメージモデルへの視覚的損失と組み合わせて、スタイルプロンプトへの変形を駆動します。
私たちのプロジェクトページはhttps:// Threedle.github.io/geometry-in-styleです。
関連論文リスト
- LeGO: Leveraging a Surface Deformation Network for Animatable Stylized Face Generation with One Example [5.999050119438177]
所望のトポロジを持つ高度にスタイリングされた3次元顔モデルを作成する方法を提案する。
提案手法は3DMMを用いて表面変形ネットワークをトレーニングし,その領域を微分可能なメッシュと方向CLIP損失を用いて対象に翻訳する。
ネットワークは、差別化可能なメッシュと指向的なCLIP損失を使用して、ターゲットのスタイルを模倣することにより、3Dフェイスメッシュのスタイリングを実現する。
論文 参考訳（メタデータ） (2024-03-22T14:20:54Z) - Geometry Transfer for Stylizing Radiance Fields [54.771563955208705]
幾何学的変形を利用した3次元トランスファー手法であるGeometry Transferを導入する。
実験の結果,幾何変換はより広範かつ表現力に富んだスタイリゼーションを可能にすることがわかった。
論文 参考訳（メタデータ） (2024-02-01T18:58:44Z) - Explorable Mesh Deformation Subspaces from Unstructured Generative
Models [53.23510438769862]
3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。
本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
論文 参考訳（メタデータ） (2023-10-11T18:53:57Z) - DragD3D: Realistic Mesh Editing with Rigidity Control Driven by 2D Diffusion Priors [10.355568895429588]
ダイレクトメッシュの編集と変形は、幾何学的モデリングとアニメーションパイプラインの重要なコンポーネントである。
正規化器は、オブジェクトのグローバルなコンテキストとセマンティクスを意識していない。
我々の変形を制御して,グローバルな文脈を意識した現実的な形状の変形を生成できることが示される。
論文 参考訳（メタデータ） (2023-10-06T19:55:40Z) - TextDeformer: Geometry Manipulation using Text Guidance [37.02412892926677]
本稿では,テキストプロンプトのみで案内される入力三角形メッシュの変形を生成する手法を提案する。
私たちのフレームワークは、CLIPやDINOといった強力なトレーニング済み画像エンコーダとジオメトリを接続するために、微分可能なレンダリングに依存しています。
この制限を克服するために、我々はジャコビアンを通してメッシュの変形を表現し、グローバルでスムーズな方法で変形を更新する。
論文 参考訳（メタデータ） (2023-04-26T07:38:41Z) - RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline
Model and DoF-based Curriculum Learning [62.86400614141706]
我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。
我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。
実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
論文 参考訳（メタデータ） (2023-01-04T15:12:57Z) - 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) - Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape
Laplacian [58.704089101826774]
形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。
点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。
実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
論文 参考訳（メタデータ） (2022-03-29T04:57:18Z) - 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) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳（メタデータ） (2020-06-30T19:36:38Z) - ShapeFlow: Learnable Deformations Among 3D Shapes [28.854946339507123]
本研究では,3次元形状のクラス全体の変形空間を学習するためのフローベースモデルを提案する。
ShapeFlowは、形状トポロジーに非依存なマルチテンプレートの変形空間を学習できるが、微妙な幾何学的詳細を保存できる。
論文 参考訳（メタデータ） (2020-06-14T19:03:35Z)
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。