論文の概要: MIND: Material Interface Generation from UDFs for Non-Manifold Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2506.02938v1
• Date: Tue, 03 Jun 2025 14:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.795676
• Title: MIND: Material Interface Generation from UDFs for Non-Manifold Surface Reconstruction
• Title（参考訳）: MIND:非多様体表面再構成のためのUDFからの材料界面生成
• Authors: Xuhui Chen, Fei Hou, Wencheng Wang, Hong Qin, Ying He,
• Abstract要約: 非符号距離場(UDF)は、任意の位相を持つ形状を表現する能力のため、3次元深層学習において広く用いられている。 一般的な回避策は、符号付き距離場(SDF)をUDFから局所的に再構築し、マーチングキューブを介して表面抽出を可能にすることである。 我々はUDFから直接材料インターフェースを生成する新しいアルゴリズムであるMINDを提案し、グローバルな視点から非マニフォールドメッシュ抽出を可能にする。
• 参考スコア（独自算出の注目度）: 26.34897170995382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsigned distance fields (UDFs) are widely used in 3D deep learning due to their ability to represent shapes with arbitrary topology. While prior work has largely focused on learning UDFs from point clouds or multi-view images, extracting meshes from UDFs remains challenging, as the learned fields rarely attain exact zero distances. A common workaround is to reconstruct signed distance fields (SDFs) locally from UDFs to enable surface extraction via Marching Cubes. However, this often introduces topological artifacts such as holes or spurious components. Moreover, local SDFs are inherently incapable of representing non-manifold geometry, leading to complete failure in such cases. To address this gap, we propose MIND (Material Interface from Non-manifold Distance fields), a novel algorithm for generating material interfaces directly from UDFs, enabling non-manifold mesh extraction from a global perspective. The core of our method lies in deriving a meaningful spatial partitioning from the UDF, where the target surface emerges as the interface between distinct regions. We begin by computing a two-signed local field to distinguish the two sides of manifold patches, and then extend this to a multi-labeled global field capable of separating all sides of a non-manifold structure. By combining this multi-labeled field with the input UDF, we construct material interfaces that support non-manifold mesh extraction via a multi-labeled Marching Cubes algorithm. Extensive experiments on UDFs generated from diverse data sources, including point cloud reconstruction, multi-view reconstruction, and medial axis transforms, demonstrate that our approach robustly handles complex non-manifold surfaces and significantly outperforms existing methods.
• Abstract（参考訳）: 非符号距離場(UDF)は、任意の位相を持つ形状を表現する能力のため、3次元深層学習において広く用いられている。 これまでの研究は、ポイントクラウドやマルチビューイメージからUDFを学習することに重点を置いてきたが、UDFからメッシュを抽出することは依然として困難であり、学習されたフィールドが正確なゼロ距離に達することはめったにない。 一般的な回避策は、符号付き距離場(SDF)をUDFから局所的に再構築し、マーチングキューブを介して表面抽出を可能にすることである。 しかし、これはしばしば穴や破片のようなトポロジカルなアーティファクトを導入する。 さらに、局所 SDF は本質的に非多様体幾何学を表現することができないため、そのような場合の完全な失敗につながる。 このギャップに対処するために,UDFから直接材料インターフェースを生成する新しいアルゴリズムであるMIND(Material Interface from Non-manifold Distance Field)を提案する。 本手法のコアとなるのは,UDFから有意義な空間分割を導出することである。 まず、2符号の局所場を計算して、多様体のパッチの2辺を区別し、それを非多様体構造のすべての辺を分離できる多ラベルの大域体へと拡張する。 このマルチラベルフィールドと入力UDFを組み合わせることで、マルチラベルマーチングキューブアルゴリズムによる非マニフォールドメッシュ抽出をサポートする材料インターフェースを構築する。 点雲再構成,マルチビュー再構成,メディア軸変換など,多様なデータソースから生成されたUDFの大規模な実験により,本手法が複雑な非多様体表面を頑健に処理し,既存手法よりも大幅に優れていることを示す。

関連論文リスト

• Neural Surface Detection for Unsigned Distance Fields [51.77214039267625]
  我々は、UDFをローカルにSDFに変換するためのディープラーニングアプローチを導入し、既存のアルゴリズムで効果的に三角測量できるようにした。 既存の手法よりも表面検出の精度がよいことを示す。 また,UDF上で動作可能なデュアルメッシュ方式であるDualMeshUDFと併用して,この手法の柔軟性を示す。
  論文  参考訳（メタデータ） (2024-07-25T20:31:40Z)
• Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes [29.65562721329593]
  本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。 UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。 本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-03T06:58:35Z)
• DDF-HO: Hand-Held Object Reconstruction via Conditional Directed Distance Field [82.81337273685176]
  DDF-HOは、DDF(Directed Distance Field)を形状表現として活用する新しいアプローチである。 我々はランダムに複数の光線をサンプリングし、新しい2D線に基づく特徴集約方式を導入することにより、局所的・大域的特徴を収集する。 合成および実世界のデータセットの実験は、DFF-HOが全てのベースライン手法を大きなマージンで一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-08-16T09:06:32Z)
• NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
  NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-04-20T04:14:42Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• RangeUDF: Semantic Surface Reconstruction from 3D Point Clouds [106.54285912111888]
  本研究では,新たな暗黙的表現に基づくフレームワークであるRangeUDFを紹介し,点雲から連続した3次元シーン表面の形状と意味を復元する。 RangeUDFは4点のクラウドデータセット上で表面再構成を行うための最先端のアプローチを明らかに上回っている。
  論文  参考訳（メタデータ） (2022-04-19T21:39:45Z)

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。