論文の概要: Approximating Signed Distance Fields of Implicit Surfaces with Sparse Ellipsoidal Radial Basis Function Networks

• arxiv url: http://arxiv.org/abs/2505.02350v3
• Date: Fri, 24 Oct 2025 06:52:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:14.873975
• Title: Approximating Signed Distance Fields of Implicit Surfaces with Sparse Ellipsoidal Radial Basis Function Networks
• Title（参考訳）: スパース楕円型放射基底関数ネットワークによる不純物表面の符号距離場の近似
• Authors: Bobo Lian, Dandan Wang, Chenjian Wu, Minxin Chen,
• Abstract要約: 暗示表面の符号付き距離関数(SDF)の正確な表現は、3次元幾何学の効率的な記憶、計算、下流処理に不可欠である。 比較的少数の楕円基底関数(ERBF)を用いて暗黙曲面のSDF場を近似する一般学習法を提案する。 提案手法は,既存の暗黙的表現手法よりもパラメータが少なく,精度,堅牢性,計算効率を向上できる。
• 参考スコア（独自算出の注目度）: 2.1095001084842595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and compact representation of signed distance functions (SDFs) of implicit surfaces is crucial for efficient storage, computation, and downstream processing of 3D geometry. In this work, we propose a general learning method for approximating precomputed SDF fields of implicit surfaces by a relatively small number of ellipsoidal radial basis functions (ERBFs). The SDF values could be computed from various sources, including point clouds, triangle meshes, analytical expressions, pretrained neural networks, etc. Given SDF values on spatial grid points, our method approximates the SDF using as few ERBFs as possible, achieving a compact representation while preserving the geometric shape of the corresponding implicit surface. To balance sparsity and approximation precision, we introduce a dynamic multi-objective optimization strategy, which adaptively incorporates regularization to enforce sparsity and jointly optimizes the weights, centers, shapes, and orientations of the ERBFs. For computational efficiency, a nearest-neighbor-based data structure restricts computations to points near each kernel center, and CUDA-based parallelism further accelerates the optimization. Furthermore, a hierarchical refinement strategy based on SDF spatial grid points progressively incorporates coarse-to-fine samples for parameter initialization and optimization, improving convergence and training efficiency. Extensive experiments on multiple benchmark datasets demonstrate that our method can represent SDF fields with significantly fewer parameters than existing sparse implicit representation approaches, achieving better accuracy, robustness, and computational efficiency. The corresponding executable program is publicly available at https://github.com/lianbobo/SE-RBFNet.git
• Abstract（参考訳）: 暗示曲面の符号付き距離関数(SDF)の高精度かつコンパクトな表現は、3次元幾何学の効率的な記憶、計算、下流処理に不可欠である。 本研究では,比較的少数の楕円根基関数(ERBF)を用いて,暗黙曲面の事前計算されたSDF場を近似する一般学習法を提案する。 SDFの値は、ポイントクラウド、トライアングルメッシュ、分析式、事前訓練されたニューラルネットワークなど、さまざまなソースから計算することができる。 空間格子点上のSDF値が与えられた場合、SDFを可能な限り少数のERBFを用いて近似し、対応する暗示面の幾何学的形状を保ちながらコンパクトな表現を実現する。 ポーラシティと近似精度のバランスをとるために,正規化を適応的に取り入れ,ERBFの重み,中心,形状,配向を協調的に最適化する動的多目的最適化戦略を導入する。 計算効率を向上させるため、最寄りのデータ構造は各カーネル中心付近の点に計算を制限し、CUDAベースの並列性は最適化をさらに加速する。 さらに、SDF空間格子点に基づく階層的洗練戦略は、パラメータの初期化と最適化のための粗大なサンプルを徐々に取り入れ、収束と訓練効率を向上させる。 複数のベンチマークデータセットに対する大規模な実験により,提案手法は既存のスパースな暗黙的表現アプローチよりもはるかに少ないパラメータでSDFフィールドを表現でき,精度,ロバスト性,計算効率が向上することが示された。 対応する実行可能プログラムはhttps://github.com/lianbobo/SE-RBFNet.gitで公開されている。

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)
• On Model Compression for Neural Networks: Framework, Algorithm, and Convergence Guarantee [21.818773423324235]
  本稿では,低ランク近似と重み近似の2つのモデル圧縮手法に焦点を当てた。 本稿では,非最適化の新たな視点から,モデル圧縮のための全体論的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:14:42Z)
• Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
  点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。 第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
  論文  参考訳（メタデータ） (2023-02-02T08:33:36Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Decentralized and Model-Free Federated Learning: Consensus-Based Distillation in Function Space [7.627597166844701]
  本稿では,マルチホップネットワークを介して接続されたIoEデバイスのための分散FL方式を提案する。 CMFDはパラメータアグリゲーション法よりも安定性が高いことを示す。
  論文  参考訳（メタデータ） (2021-04-01T09:17:20Z)
• 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)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。