論文の概要: Demeter: A Parametric Model of Crop Plant Morphology from the Real World

• arxiv url: http://arxiv.org/abs/2510.16377v1
• Date: Sat, 18 Oct 2025 07:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.973277
• Title: Demeter: A Parametric Model of Crop Plant Morphology from the Real World
• Title（参考訳）: デメータ:実世界の作物形態のパラメトリックモデル
• Authors: Tianhang Cheng, Albert J. Zhai, Evan Z. Chen, Rui Zhou, Yawen Deng, Zitong Li, Kejie Zhao, Janice Shiu, Qianyu Zhao, Yide Xu, Xinlei Wang, Yuan Shen, Sheng Wang, Lisa Ainsworth, Kaiyu Guan, Shenlong Wang,
• Abstract要約: 本稿では,植物形態学の重要な要素を符号化したデータ駆動パラメトリックモデルDemeterを提案する。 実験により、デメータは形を効果的に合成し、構造を再構築し、生体物理過程をシミュレートすることが示された。
• 参考スコア（独自算出の注目度）: 34.57672800976057
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning 3D parametric shape models of objects has gained popularity in vision and graphics and has showed broad utility in 3D reconstruction, generation, understanding, and simulation. While powerful models exist for humans and animals, equally expressive approaches for modeling plants are lacking. In this work, we present Demeter, a data-driven parametric model that encodes key factors of a plant morphology, including topology, shape, articulation, and deformation into a compact learned representation. Unlike previous parametric models, Demeter handles varying shape topology across various species and models three sources of shape variation: articulation, subcomponent shape variation, and non-rigid deformation. To advance crop plant modeling, we collected a large-scale, ground-truthed dataset from a soybean farm as a testbed. Experiments show that Demeter effectively synthesizes shapes, reconstructs structures, and simulates biophysical processes. Code and data is available at https://tianhang-cheng.github.io/Demeter/.
• Abstract（参考訳）: 物体の3次元パラメトリック形状モデルの学習は、視覚やグラフィックで人気を集め、3次元再構成、生成、理解、シミュレーションにおいて幅広い有用性を示している。 人間や動物には強力なモデルが存在するが、植物をモデル化するための等しく表現力のあるアプローチは欠如している。 本研究では、トポロジー、形状、調音、変形といった植物形態学の重要な要素をコンパクトな学習表現に符号化するデータ駆動パラメトリックモデルであるデメータを提案する。 従来のパラメトリックモデルとは異なり、デメータは様々な種類の形状トポロジーを扱い、形状変化の3つの源である調音、副成分の形状変化、非剛性変形をモデル化する。 農作物のモデル化を進めるため,大豆農場から大規模・地中構造データセットをテストベッドとして収集した。 実験により、デメトリーは形を効果的に合成し、構造を再構築し、生体物理過程をシミュレートすることが示された。 コードとデータはhttps://tianhang-cheng.github.io/Demeter/.comで公開されている。

関連論文リスト

• NeuraLeaf: Neural Parametric Leaf Models with Shape and Deformation Disentanglement [27.664230325256067]
  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。
  論文  参考訳（メタデータ） (2025-07-17T01:46:24Z)
• Hierarchical Abstraction Enables Human-Like 3D Object Recognition in Deep Learning Models [1.7341654854802664]
  人間とディープラーニングモデルの両方が、粗い視覚情報で描かれた3D形状からオブジェクトを認識することができる。 これらのモデルが、人間の視覚が物体認識に用いているものと類似した3次元形状の表現を発達させるかどうかは不明である。
  論文  参考訳（メタデータ） (2025-07-13T23:54:45Z)
• 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)
• GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
  GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。 本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。 我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
  論文  参考訳（メタデータ） (2024-02-26T20:00:57Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• 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)
• {\phi}-SfT: Shape-from-Template with a Physics-Based Deformation Model [69.27632025495512]
  Shape-from-Template (SfT) 法では、単一の単眼RGBカメラから3次元表面の変形を推定する。 本稿では,物理シミュレーションによる2次元観察を解説する新しいSfT手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T17:59:57Z)
• Shape Prior Deformation for Categorical 6D Object Pose and Size Estimation [62.618227434286]
  RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。 本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
  論文  参考訳（メタデータ） (2020-07-16T16:45:05Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。