論文の概要: Voronoi-Assisted Diffusion for Computing Unsigned Distance Fields from Unoriented Points

• arxiv url: http://arxiv.org/abs/2510.12524v1
• Date: Tue, 14 Oct 2025 13:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.339186
• Title: Voronoi-Assisted Diffusion for Computing Unsigned Distance Fields from Unoriented Points
• Title（参考訳）: 非有向点からの非有向距離場計算のためのボロノイ支援拡散
• Authors: Jiayi Kong, Chen Zong, Junkai Deng, Xuhui Chen, Fei Hou, Shiqing Xin, Junhui Hou, Chen Qian, Ying He,
• Abstract要約: Voronoi-Assisted Diffusion (VAD) は、Unsigned Distance Fields (UDF) を計算するための軽量でネットワークフリーな方法である。 VADは水密面と開面を強く扱い、複雑な非多様体と非配向幾何学も扱う。
• 参考スコア（独自算出の注目度）: 59.493891955043914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsigned Distance Fields (UDFs) provide a flexible representation for 3D shapes with arbitrary topology, including open and closed surfaces, orientable and non-orientable geometries, and non-manifold structures. While recent neural approaches have shown promise in learning UDFs, they often suffer from numerical instability, high computational cost, and limited controllability. We present a lightweight, network-free method, Voronoi-Assisted Diffusion (VAD), for computing UDFs directly from unoriented point clouds. Our approach begins by assigning bi-directional normals to input points, guided by two Voronoi-based geometric criteria encoded in an energy function for optimal alignment. The aligned normals are then diffused to form an approximate UDF gradient field, which is subsequently integrated to recover the final UDF. Experiments demonstrate that VAD robustly handles watertight and open surfaces, as well as complex non-manifold and non-orientable geometries, while remaining computationally efficient and stable.
• Abstract（参考訳）: Unsigned Distance Fields (UDF) は、任意の位相を持つ3次元形状のフレキシブルな表現を提供する。 最近のニューラルネットワークはUDFの学習において有望であるが、数値的な不安定性、高い計算コスト、限られた制御性に悩まされることが多い。 本稿では,無向点雲から直接UDFを計算するための軽量でネットワークフリーなVoronoi-Assisted Diffusion (VAD)を提案する。 我々のアプローチは、最適アライメントのためのエネルギー関数に符号化された2つのボロノイに基づく幾何学的基準によって導かれる入力点に双方向の正規化を割り当てることから始まる。 その後、アライメントされた正規値は拡散され、近似されたUDF勾配場を形成し、その後、最終UDFを回復するために統合される。 実験により、VADは水密面や開放面、複雑な非多様体や非配向幾何学を頑健に扱う一方で、計算効率と安定性を保っていることが示された。

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)
• Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction [26.35134181204119]
  本稿では,通常のアライメントとSIRENネットワークを統合したDEUDF学習を提案する。 計算結果から,DEUDFは既存のUDF学習法よりも精度と再現面の品質が優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-01T07:52:26Z)
• 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)
• 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)
• 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)
• 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)

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。