論文の概要: NeuraLeaf: Neural Parametric Leaf Models with Shape and Deformation Disentanglement
- arxiv url: http://arxiv.org/abs/2507.12714v1
- Date: Thu, 17 Jul 2025 01:46:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.315006
- Title: NeuraLeaf: Neural Parametric Leaf Models with Shape and Deformation Disentanglement
- Title（参考訳）: ニューラリーフ:形状・変形歪みを有するニューラルパラメトリックリーフモデル
- Authors: Yang Yang, Dongni Mao, Hiroaki Santo, Yasuyuki Matsushita, Fumio Okura,
- Abstract要約: 我々はニューラリーフと呼ばれる3次元葉のニューラルパラメトリックモデルを開発した。
ノイラリーフは葉の幾何学を2次元の基底形状と3次元の変形に分解する。
我々は,NeuraLeafが変形を伴う広範囲の葉の形を生成できることを示し,その結果,正確な3次元観察モデルが得られた。
- 参考スコア（独自算出の注目度）: 27.664230325256067
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We develop a neural parametric model for 3D leaves for plant modeling and reconstruction that are essential for agriculture and computer graphics. While neural parametric models are actively studied for humans and animals, plant leaves present unique challenges due to their diverse shapes and flexible deformation. To this problem, we introduce a neural parametric model for leaves, NeuraLeaf. Capitalizing on the fact that flattened leaf shapes can be approximated as a 2D plane, NeuraLeaf disentangles the leaves' geometry into their 2D base shapes and 3D deformations. This representation allows learning from rich sources of 2D leaf image datasets for the base shapes, and also has the advantage of simultaneously learning textures aligned with the geometry. To model the 3D deformation, we propose a novel skeleton-free skinning model and create a newly captured 3D leaf dataset called DeformLeaf. We show that NeuraLeaf successfully generates a wide range of leaf shapes with deformation, resulting in accurate model fitting to 3D observations like depth maps and point clouds. Our implementation and dataset are available at https://neuraleaf-yang.github.io/.
- Abstract（参考訳）: 我々は,農業やコンピュータグラフィックスに不可欠な植物モデリングと再構築のための3次元葉のニューラルパラメトリックモデルを開発した。
神経パラメトリックモデルは人間や動物に対して活発に研究されているが、植物葉は様々な形状と柔軟な変形のために固有の課題を呈している。
そこで本研究では,葉の神経パラメトリックモデルであるNeuraLeafを紹介する。
平らな葉の形を2次元平面として近似できるという事実から、ノイラリーフは葉の幾何学を2次元基底形状と3次元変形に分解する。
この表現は、ベース形状の2Dリーフ画像データセットの豊富なソースから学習することができ、幾何学と整合したテクスチャを同時に学習する利点もある。
3次元変形をモデル化するために,新しいスケルトンフリースキンモデルを提案し,新たに取得したDeformLeafという3次元リーフデータセットを作成する。
我々はNeuraLeafが変形を伴う広範囲の葉の形を生成できることを示し、その結果、深度マップや点雲のような3次元観測に正確なモデルが適合することを示した。
私たちの実装とデータセットはhttps://neuraleaf-yang.github.io/.com/で公開されています。
関連論文リスト
- 3D Geometry-aware Deformable Gaussian Splatting for Dynamic View Synthesis [49.352765055181436]
動的ビュー合成のための3次元幾何学的変形可能なガウススメッティング法を提案する。
提案手法は,動的ビュー合成と3次元動的再構成を改良した3次元形状認識変形モデリングを実現する。
論文 参考訳（メタデータ） (2024-04-09T12:47:30Z) - AWOL: Analysis WithOut synthesis using Language [57.31874938870305]
言語を利用して既存の3次元形状モデルを制御し、新しい形状を作り出す。
トレーニング中に存在しない新しい動物をテキストで生成できることが示されています。
この研究は、3D木を生成するための最初の言語駆動の手法でもある。
論文 参考訳（メタデータ） (2024-04-03T20:04:44Z) - MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。
異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。
本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
論文 参考訳（メタデータ） (2023-04-17T13:49:04Z) - Disentangled3D: Learning a 3D Generative Model with Disentangled
Geometry and Appearance from Monocular Images [94.49117671450531]
最先端の3D生成モデルは、合成に神経的な3Dボリューム表現を使用するGANである。
本稿では,単分子観察だけで物体の絡み合ったモデルを学ぶことができる3D GANを設計する。
論文 参考訳（メタデータ） (2022-03-29T22:03:18Z) - Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape
Laplacian [58.704089101826774]
形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。
点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。
実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
論文 参考訳（メタデータ） (2022-03-29T04:57:18Z) - Detailed Avatar Recovery from Single Image [50.82102098057822]
本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。
階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。
本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
論文 参考訳（メタデータ） (2021-08-06T03:51:26Z)
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。