論文の概要: Marching Neurons: Accurate Surface Extraction for Neural Implicit Shapes

• arxiv url: http://arxiv.org/abs/2509.21007v1
• Date: Thu, 25 Sep 2025 11:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.856439
• Title: Marching Neurons: Accurate Surface Extraction for Neural Implicit Shapes
• Title（参考訳）: マーチングニューロン:神経インシシット形状の正確な表面抽出
• Authors: Christian Stippel, Felix Mujkanovic, Thomas Leimkühler, Pedro Hermosilla,
• Abstract要約: ニューラル暗黙関数から表面を解析的に抽出する新しい手法を提案する。 我々の方法は並列に動作し、大きなニューラルアーキテクチャをナビゲートできる。 結果として得られるメッシュは、アドホックな空間的離散化なしに、ネットワークから全幾何学情報を忠実にキャプチャする。
• 参考スコア（独自算出の注目度）: 14.372634421912094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate surface geometry representation is crucial in 3D visual computing. Explicit representations, such as polygonal meshes, and implicit representations, like signed distance functions, each have distinct advantages, making efficient conversions between them increasingly important. Conventional surface extraction methods for implicit representations, such as the widely used Marching Cubes algorithm, rely on spatial decomposition and sampling, leading to inaccuracies due to fixed and limited resolution. We introduce a novel approach for analytically extracting surfaces from neural implicit functions. Our method operates natively in parallel and can navigate large neural architectures. By leveraging the fact that each neuron partitions the domain, we develop a depth-first traversal strategy to efficiently track the encoded surface. The resulting meshes faithfully capture the full geometric information from the network without ad-hoc spatial discretization, achieving unprecedented accuracy across diverse shapes and network architectures while maintaining competitive speed.
• Abstract（参考訳）: 正確な表面形状表現は3次元ビジュアルコンピューティングにおいて重要である。 多角形メッシュのような明示的表現や符号付き距離関数のような暗黙的表現は、それぞれ異なる利点を持ち、それらの間の効率的な変換がますます重要になる。 広く使われているマーチングキューブアルゴリズムのような暗黙の表現に対する従来の表面抽出法は、空間分解とサンプリングに依存しており、固定された解像度と制限された解像度による不正確な結果をもたらす。 ニューラル暗黙関数から表面を解析的に抽出する新しい手法を提案する。 我々の手法は並列に動作し、大きなニューラルアーキテクチャをナビゲートすることができる。 各ニューロンがドメインを分割するという事実を活用して、エンコードされた表面を効率的に追跡するための深さ優先のトラバース戦略を開発する。 結果として得られたメッシュは、アドホックな空間的離散化なしにネットワークから全幾何学情報を忠実に取得し、競争速度を維持しながら様々な形状やネットワークアーキテクチャにわたって前例のない精度を達成する。

関連論文リスト

• Vertex Features for Neural Global Illumination [21.57826395764302]
  明示的なメッシュ表面を含むニューラルレンダリングタスクのための学習可能な表現の一般化された定式化であるニューラル特徴を示す。 我々は、様々なニューラルレンダリングタスクにおける神経表現を、特にニューラルラジオシティに重点を置いて検証する。
  論文  参考訳（メタデータ） (2025-08-11T11:10:19Z)
• Optimizing 3D Geometry Reconstruction from Implicit Neural Representations [2.3940819037450987]
  暗黙の神経表現は、3D幾何学を学ぶための強力なツールとして登場した。 本稿では,計算コストを削減し,細部を捉える新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T16:36:23Z)
• HYVE: Hybrid Vertex Encoder for Neural Distance Fields [9.40036617308303]
  本稿では,1つの前方パスにおける3次元形状の正確な符号化に適したニューラルネットワークアーキテクチャを提案する。 我々のネットワークは、非ゼロ距離値や形状占有の事前知識を明示することなく、有効な符号付き距離場を出力することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)
• Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations [21.64457003420851]
  我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。 本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-11T15:51:04Z)
• DiffusionNet: Discretization Agnostic Learning on Surfaces [48.658589779470454]
  本研究では,空間コミュニケーションにおいて単純な拡散層が極めて有効であるという知見に基づいて,三次元表面の深層学習に新たなアプローチを導入する。 結果として得られるネットワークは、表面の様々なサンプリングと解像度を自動的に一般化する。 主に三角形メッシュ表面に注目し, 表面分類, セグメンテーション, 非剛性対応など, 様々なタスクの最先端結果を示す。
  論文  参考訳（メタデータ） (2020-12-01T23:24:22Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。