論文の概要: FlexPara: Flexible Neural Surface Parameterization

• arxiv url: http://arxiv.org/abs/2504.19210v1
• Date: Sun, 27 Apr 2025 12:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.181342
• Title: FlexPara: Flexible Neural Surface Parameterization
• Title（参考訳）: FlexPara: フレキシブルなニューラルサーフェスパラメータ化
• Authors: Yuming Zhao, Qijian Zhang, Junhui Hou, Jiazhi Xia, Wenping Wang, Ying He,
• Abstract要約: 本稿では,大域的および多角的表面パラメータ化を実現するために,教師なしニューラルネットワーク最適化フレームワークFlexParaを紹介する。 我々は,グローバルパラメータ化のための双方向のサイクルマッピングフレームワークを構築するために,幾何学的に解釈可能な一連のサブネットワークを,特定の機能と巧妙に設計・結合する。 実験は、我々の神経表面パラメータ化パラダイムの普遍性、優越性、およびインスピレーションのポテンシャルを実証する。
• 参考スコア（独自算出の注目度）: 71.65203972602673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface parameterization is a fundamental geometry processing task, laying the foundations for the visual presentation of 3D assets and numerous downstream shape analysis scenarios. Conventional parameterization approaches demand high-quality mesh triangulation and are restricted to certain simple topologies unless additional surface cutting and decomposition are provided. In practice, the optimal configurations (e.g., type of parameterization domains, distribution of cutting seams, number of mapping charts) may vary drastically with different surface structures and task characteristics, thus requiring more flexible and controllable processing pipelines. To this end, this paper introduces FlexPara, an unsupervised neural optimization framework to achieve both global and multi-chart surface parameterizations by establishing point-wise mappings between 3D surface points and adaptively-deformed 2D UV coordinates. We ingeniously design and combine a series of geometrically-interpretable sub-networks, with specific functionalities of cutting, deforming, unwrapping, and wrapping, to construct a bi-directional cycle mapping framework for global parameterization without the need for manually specified cutting seams. Furthermore, we construct a multi-chart parameterization framework with adaptively-learned chart assignment. Extensive experiments demonstrate the universality, superiority, and inspiring potential of our neural surface parameterization paradigm. The code will be publicly available at https://github.com/AidenZhao/FlexPara
• Abstract（参考訳）: 表面のパラメータ化は基本的な幾何学的処理タスクであり、3Dアセットの視覚的表示の基礎と多くの下流形状解析のシナリオを構築している。 従来のパラメータ化手法では、高品質メッシュ三角測量が要求され、表面切削や分解が加えられない限り、ある種の単純な位相に制限される。 実際には、最適構成(例えば、パラメータ化領域の種類、切断シームの分布、マッピングチャートの数)は、異なる表面構造やタスク特性と大きく異なるため、より柔軟で制御可能な処理パイプラインが必要である。 本稿では,3次元表面点と適応的に変形した2次元UV座標のポイントワイドマッピングを確立することで,大域的および多角的表面パラメータ化を実現する,教師なしニューラルネットワークフレームワークFlexParaを紹介する。 手動で指定した切削シームを必要とせずに、グローバルパラメータ化のための双方向のサイクルマッピングフレームワークを構築するために、幾何的に解釈可能なサブネットワークを創発的に設計し、結合する。 さらに,適応学習型チャート代入を用いたマルチチャートパラメータ化フレームワークを構築した。 広範囲にわたる実験は、我々の神経表面パラメータ化パラダイムの普遍性、優越性、およびインスピレーションのポテンシャルを実証する。 コードはhttps://github.com/AidenZhao/FlexParaで公開される。

関連論文リスト

• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)

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。