論文の概要: NeuVAS: Neural Implicit Surfaces for Variational Shape Modeling

• arxiv url: http://arxiv.org/abs/2506.13050v1
• Date: Mon, 16 Jun 2025 02:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.381107
• Title: NeuVAS: Neural Implicit Surfaces for Variational Shape Modeling
• Title（参考訳）: NeuVAS: 変分形状モデリングのためのニューラルインシシデント表面
• Authors: Pengfei Wang, Qiujie Dong, Fangtian Liang, Hao Pan, Lei Yang, Congyi Zhang, Guying Lin, Caiming Zhang, Yuanfeng Zhou, Changhe Tu, Shiqing Xin, Alla Sheffer, Xin Li, Wenping Wang,
• Abstract要約: NeuVASは、スパース入力形状制御の下で拘束されたニューラル暗黙表面を用いた形状モデリングにおける変分アプローチである。 ニューラルネットワークSDFのゼロレベル設定面の形状変化を最小限に抑えるために,曲面曲率関数に基づく滑らかさ項を導入する。
• 参考スコア（独自算出の注目度）: 54.06448198674519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural implicit shape representation has drawn significant attention in recent years due to its smoothness, differentiability, and topological flexibility. However, directly modeling the shape of a neural implicit surface, especially as the zero-level set of a neural signed distance function (SDF), with sparse geometric control is still a challenging task. Sparse input shape control typically includes 3D curve networks or, more generally, 3D curve sketches, which are unstructured and cannot be connected to form a curve network, and therefore more difficult to deal with. While 3D curve networks or curve sketches provide intuitive shape control, their sparsity and varied topology pose challenges in generating high-quality surfaces to meet such curve constraints. In this paper, we propose NeuVAS, a variational approach to shape modeling using neural implicit surfaces constrained under sparse input shape control, including unstructured 3D curve sketches as well as connected 3D curve networks. Specifically, we introduce a smoothness term based on a functional of surface curvatures to minimize shape variation of the zero-level set surface of a neural SDF. We also develop a new technique to faithfully model G0 sharp feature curves as specified in the input curve sketches. Comprehensive comparisons with the state-of-the-art methods demonstrate the significant advantages of our method.
• Abstract（参考訳）: ニューラルな暗黙の形状表現は、その滑らかさ、微分可能性、トポロジカルな柔軟性によって近年大きな注目を集めている。 しかし、特にSDF(Neural signed distance function)のゼロレベル集合を疎幾何制御で直接モデル化することは、依然として難しい課題である。 スパース入力形状制御は典型的には3次元曲線ネットワークまたはより一般的には3次元曲線スケッチを含むが、これは非構造であり、曲線ネットワークを形成するために接続できないため、扱いにくい。 3次元曲線ネットワークや曲線スケッチは直感的な形状制御を提供するが、その空間と様々なトポロジーはそのような曲線制約を満たすために高品質な曲面を生成するのに困難をもたらす。 本稿では,非構造化3次元曲線スケッチや連結3次元曲線ネットワークを含む,スパース入力形状制御の下で制約されたニューラルな暗黙曲面を用いた形状モデリングのための変分手法であるNeuVASを提案する。 具体的には、ニューラルネットワークSDFのゼロレベル設定面の形状変化を最小限に抑えるために、曲面曲率関数に基づく滑らかさ項を導入する。 また,入力曲線スケッチで指定されたG0の鋭い特徴曲線を忠実にモデル化する手法を開発した。 従来の手法と総合的に比較すると,本手法の有意義な利点が示される。

関連論文リスト

• WIR3D: Visually-Informed and Geometry-Aware 3D Shape Abstraction [13.645442589551354]
  WIR3Dは、3Dで視覚的に意味のある曲線のスパースセットを通して3D形状を抽象化する技術である。 ベジエ曲線のパラメータを最適化し、それらが幾何学的特徴と健全な視覚的特徴の両方を忠実に表現する。 形状の広いデータセットに対して, 形状の抽象化を行う手法をうまく適用した。
  論文  参考訳（メタデータ） (2025-05-07T21:28:05Z)
• Thin-Shell-SfT: Fine-Grained Monocular Non-rigid 3D Surface Tracking with Neural Deformation Fields [66.1612475655465]
  RGBビデオから変形可能な表面を3Dで再現することは難しい問題だ。 既存の方法は、統計的、神経的、物理的に先行する変形モデルを使用する。 我々は,非剛性3次元トラッキングメッシュの新しい手法であるThinShell-SfTを提案する。
  論文  参考訳（メタデータ） (2025-03-25T18:00:46Z)
• 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)
• Controllable Shape Modeling with Neural Generalized Cylinder [39.36613329005811]
  ニューラルサイン距離場(NSDF)の明示的操作のためのニューラル一般化シリンダ(NGC)を提案する。 楕円形のプロファイルを持つ特殊GCの相対座標を用いることで、NSDFはGCの操作によって明示的に制御できる。 NGCは、単純な神経機能によって、形状のブレンディングに神経機能を利用することができる。
  論文  参考訳（メタデータ） (2024-09-18T21:48:33Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Dynamic Point Fields [30.029872787758705]
  本稿では,明示的な点ベースグラフィックスの表現的利点と暗黙的な変形ネットワークを組み合わせた動的点場モデルを提案する。 我々は,その表現力,学習効率,および配布外小説のポーズに対する堅牢性の観点から,我々の動的点場フレームワークの利点を示す。
  論文  参考訳（メタデータ） (2023-04-05T17:52:37Z)
• Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
  ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。 従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
  論文  参考訳（メタデータ） (2022-02-16T21:24:54Z)
• Differential Geometry in Neural Implicits [0.6198237241838558]
  トライアングルメッシュの離散微分幾何とニューラル暗黙曲面の連続微分幾何を橋渡しするニューラル暗黙の枠組みを導入する。 ニューラルネットワークの微分可能特性と三角形メッシュの離散幾何学を利用して、ニューラルネットワークをニューラルネットワークの暗黙関数のゼロレベル集合として近似する。
  論文  参考訳（メタデータ） (2022-01-23T13:40:45Z)
• 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)

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。