論文の概要: VertexRegen: Mesh Generation with Continuous Level of Detail
- arxiv url: http://arxiv.org/abs/2508.09062v1
- Date: Tue, 12 Aug 2025 16:25:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.507585
- Title: VertexRegen: Mesh Generation with Continuous Level of Detail
- Title（参考訳）: VertexRegen: 詳細の継続的なレベルを備えたメッシュ生成
- Authors: Xiang Zhang, Yawar Siddiqui, Armen Avetisyan, Chris Xie, Jakob Engel, Henry Howard-Jenkins,
- Abstract要約: 我々は、連続的な詳細レベルで生成が可能な、新しいメッシュ生成フレームワークであるVertexRegenを紹介します。
既存の自己回帰的手法は、部分的から完全的な方法でメッシュを生成するため、生成の中間ステップは不完全構造を表す。
- 参考スコア（独自算出の注目度）: 11.096274271930456
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We introduce VertexRegen, a novel mesh generation framework that enables generation at a continuous level of detail. Existing autoregressive methods generate meshes in a partial-to-complete manner and thus intermediate steps of generation represent incomplete structures. VertexRegen takes inspiration from progressive meshes and reformulates the process as the reversal of edge collapse, i.e. vertex split, learned through a generative model. Experimental results demonstrate that VertexRegen produces meshes of comparable quality to state-of-the-art methods while uniquely offering anytime generation with the flexibility to halt at any step to yield valid meshes with varying levels of detail.
- Abstract（参考訳）: 我々は、連続的な詳細レベルで生成が可能な、新しいメッシュ生成フレームワークであるVertexRegenを紹介します。
既存の自己回帰的手法は、部分的から完全的な方法でメッシュを生成するため、生成の中間ステップは不完全構造を表す。
VertexRegenはプログレッシブメッシュからインスピレーションを受け、エッジ崩壊の逆転、すなわち頂点分割が生成モデルによって学習される過程を再構成する。
実験結果から、VertexRegenは最先端のメソッドに匹敵する品質のメッシュを生成すると同時に、任意のステップで停止する柔軟性を備えた任意の時間生成を提供して、さまざまなレベルの詳細を持つ有効なメッシュを生成することが示されている。
関連論文リスト
- DiffPattern-Flex: Efficient Layout Pattern Generation via Discrete Diffusion [19.004533761566197]
本稿では,信頼性の高いレイアウトパターンを効率的に生成するための新しい手法であるToolDiffPattern-Flexを提案する。
toolDiffPattern-Flexには、離散拡散モデルを使用して多様なトポロジを生成する新しい方法が組み込まれている。
高速サンプリングおよび効率的な法定化技術を用いて生成プロセスの高速化を行う。
論文 参考訳（メタデータ） (2025-05-07T07:04:11Z) - Gumbel-Softmax Flow Matching with Straight-Through Guidance for Controllable Biological Sequence Generation [45.105452288011726]
連続的単純体におけるフローマッチングはDNA配列設計の有望な戦略として現れてきたが、タンパク質生成に必要な高い単純体次元へのスケールに苦慮している。
本稿では,Gumbel-Softmax 補間剤を時間依存性温度で合成し,Gumbel-Softmax Flow と Score Matching を導入した。
我々のフレームワークは、高品質で多様な生成を可能にし、高次元の単純化に効率的にスケールすることができる。
論文 参考訳（メタデータ） (2025-03-21T17:59:43Z) - SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - D-Flow: Differentiating through Flows for Controlled Generation [37.80603174399585]
フローを微分することで生成プロセスを制御するフレームワークであるD-Flowを紹介する。
我々は、ガウス確率パスで訓練された拡散/FMモデルに対して、生成過程を微分することで、データ多様体の勾配を予測できるというキーとなる観察によって、この枠組みを動機付けている。
我々は,画像と音声の逆問題や条件分子生成など,線形および非線形に制御された生成問題に対する枠組みを検証する。
論文 参考訳（メタデータ） (2024-02-21T18:56:03Z) - DreamDrone: Text-to-Image Diffusion Models are Zero-shot Perpetual View Generators [56.994967294931286]
テキストプロンプトからフライスルーシーンを生成する新しいゼロショット・トレーニングフリーパイプラインであるDreamDroneを紹介する。
我々は、高品質な画像生成と非有界な一般化能力のために、事前訓練されたテキスト・画像拡散モデルの中間潜時符号を明示的に修正することを提唱する。
論文 参考訳（メタデータ） (2023-12-14T08:42:26Z) - Self-Infilling Code Generation [60.12883980846781]
自動回帰デコードにインフィル操作を組み込んだ汎用フレームワークであるセルフインフィルコード生成を導入する。
我々は,従来の復号化において,新しい割り込みとループ機構を導入するために,この機能を利用する。
提案する復号処理は,複数のコード生成ベンチマークにおける正規性と品質の向上に有効である。
論文 参考訳（メタデータ） (2023-11-29T16:02:06Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳（メタデータ） (2022-10-05T16:52:25Z) - Symbolic Music Generation with Diffusion Models [4.817429789586127]
本論文では,前訓練された可変オートエンコーダの連続潜空間における離散領域をパラメータ化することにより,連続データに対する拡散モデルを訓練する手法を提案する。
同じ連続埋め込み上で動作する自己回帰型言語モデルと比較して,強い無条件生成とポストホック条件付インフィル結果を示す。
論文 参考訳（メタデータ） (2021-03-30T05:48:05Z)
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。