論文の概要: QEMesh: Employing A Quadric Error Metrics-Based Representation for Mesh Generation

• arxiv url: http://arxiv.org/abs/2504.05720v1
• Date: Tue, 08 Apr 2025 06:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:49.444339
• Title: QEMesh: Employing A Quadric Error Metrics-Based Representation for Mesh Generation
• Title（参考訳）: QEMesh: メッシュ生成に擬似エラーメトリクスベースの表現を採用する
• Authors: Jiaqi Li, Ruowei Wang, Yu Liu, Qijun Zhao,
• Abstract要約: メッシュ生成は、3Dコンテンツ作成において重要な役割を果たす。 最近の研究は印象的な成果を上げているが、まだいくつかの問題に直面している。 高品質メッシュ生成のための新しいモデルQEMeshを提案する。
• 参考スコア（独自算出の注目度）: 11.082980190383154
• License:
• Abstract: Mesh generation plays a crucial role in 3D content creation, as mesh is widely used in various industrial applications. Recent works have achieved impressive results but still face several issues, such as unrealistic patterns or pits on surfaces, thin parts missing, and incomplete structures. Most of these problems stem from the choice of shape representation or the capabilities of the generative network. To alleviate these, we extend PoNQ, a Quadric Error Metrics (QEM)-based representation, and propose a novel model, QEMesh, for high-quality mesh generation. PoNQ divides the shape surface into tiny patches, each represented by a point with its normal and QEM matrix, which preserves fine local geometry information. In our QEMesh, we regard these elements as generable parameters and design a unique latent diffusion model containing a novel multi-decoder VAE for PoNQ parameters generation. Given the latent code generated by the diffusion model, three parameter decoders produce several PoNQ parameters within each voxel cell, and an occupancy decoder predicts which voxel cells containing parameters to form the final shape. Extensive evaluations demonstrate that our method generates results with watertight surfaces and is comparable to state-of-the-art methods in several main metrics.
• Abstract（参考訳）: メッシュは様々な産業アプリケーションで広く使われているため、メッシュ生成は3Dコンテンツ作成において重要な役割を果たす。 最近の研究は印象的な成果を上げているが、表面の非現実的なパターンや穴、薄い部分の欠如、不完全な構造など、いくつかの問題に直面している。 これらの問題の多くは、生成ネットワークの形状表現や能力の選択に由来する。 これらを緩和するため、Quadric Error Metrics(QEM)ベースの表現であるPoNQを拡張し、高品質なメッシュ生成のための新しいモデルQEMeshを提案する。 PoNQは形状表面を小さなパッチに分割し、それぞれが通常のQEM行列とQEM行列を持つ点で表される。 QEMeshでは、これらの要素を生成可能なパラメータとみなし、PoNQパラメータ生成のための新しいマルチデコーダVAEを含む独自の潜時拡散モデルを設計する。 拡散モデルにより生成された潜時符号から、3つのパラメータデコーダは各ボクセルセル内に複数のPoNQパラメータを生成し、占有デコーダはどのパラメータを含むボクセルセルが最終形状になるかを予測する。 広範囲な評価により,本手法は水密面による結果を生成し,いくつかの主要な指標における最先端手法に匹敵する結果が得られた。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• MeshFeat: Multi-Resolution Features for Neural Fields on Meshes [38.93284476165776]
  パラメトリック特徴格子符号化は、ニューラルネットワークの符号化手法として注目されている。 Euclidean空間のマルチレゾリューション機能グリッドの考え方を適応させるために,メッシュ用に調整されたパラメトリック機能であるMeshFeatを提案する。 テクスチャ再構築とBRDF表現に匹敵する再現品質を維持しつつ, 従来の表現と比較して, 大幅な高速化を示した。
  論文  参考訳（メタデータ） (2024-07-18T15:29:48Z)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• PivotMesh: Generic 3D Mesh Generation via Pivot Vertices Guidance [66.40153183581894]
  汎用的でスケーラブルなメッシュ生成フレームワークであるPivotMeshを紹介します。 PivotMeshは、ネイティブメッシュ生成を大規模データセットに拡張する最初の試みである。 PivotMeshは,様々なカテゴリにまたがって,コンパクトでシャープな3Dメッシュを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-05-27T07:13:13Z)
• PoNQ: a Neural QEM-based Mesh Representation [33.81124790808585]
  学習可能なメッシュ表現を,局所的な3次元サンプルポイントとその関連する正規値および擬似誤差メトリクス(QEM)を用いて導入する。 グローバルメッシュは、局所的な二次誤差の知識を効率的に活用することにより、PoNQから直接導出される。 SDFグリッドからの学習に基づくメッシュ予測により,PoNQの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T16:15:08Z)
• Learning Neural Implicit Representations with Surface Signal Parameterizations [14.835882967340968]
  本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。 私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
  論文  参考訳（メタデータ） (2022-11-01T15:10:58Z)
• Neural Volumetric Mesh Generator [40.224769507878904]
  新規かつ高品質なボリュームメッシュを生成することができるニューラルボリュームメッシュジェネレータ(NVMG)を提案する。 我々のパイプラインは、ランダムノイズや参照画像から、後処理なしで高品質なアーチファクトフリーのボリュームとサーフェスメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T18:46:51Z)
• Point Cloud Generation with Continuous Conditioning [2.9238500578557303]
  本稿では,連続パラメータを条件とした3次元点雲形状を生成するGAN(Generative Adversarial Network)を提案する。 模範的なアプリケーションでは、これを生成プロセスのガイドとして使用し、カスタマイズ可能な形状の3Dオブジェクトを作成します。
  論文  参考訳（メタデータ） (2022-02-17T09:05:10Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)

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。