論文の概要: Hierarchical Neural Surfaces for 3D Mesh Compression

• arxiv url: http://arxiv.org/abs/2512.15985v1
• Date: Wed, 17 Dec 2025 21:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.832793
• Title: Hierarchical Neural Surfaces for 3D Mesh Compression
• Title（参考訳）: 階層型ニューラルネットワークによる3次元メッシュ圧縮
• Authors: Sai Karthikey Pentapati, Gregoire Phillips, Alan Bovik,
• Abstract要約: Inlicit Neural Representation (INR)は、画像、ビデオ、3D表面、オーディオなど、幅広いモダリティの最先端の圧縮を実現するために実証されている。 ほとんどの研究は、符号付き距離関数のような従来の3次元幾何学の暗黙の表現のニューラルネットワークの構築に焦点を当てている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit Neural Representations (INRs) have been demonstrated to achieve state-of-the-art compression of a broad range of modalities such as images, videos, 3D surfaces, and audio. Most studies have focused on building neural counterparts of traditional implicit representations of 3D geometries, such as signed distance functions. However, the triangle mesh-based representation of geometry remains the most widely used representation in the industry, while building INRs capable of generating them has been sparsely studied. In this paper, we present a method for building compact INRs of zero-genus 3D manifolds. Our method relies on creating a spherical parameterization of a given 3D mesh - mapping the surface of a mesh to that of a unit sphere - then constructing an INR that encodes the displacement vector field defined continuously on its surface that regenerates the original shape. The compactness of our representation can be attributed to its hierarchical structure, wherein it first recovers the coarse structure of the encoded surface before adding high-frequency details to it. Once the INR is computed, 3D meshes of arbitrary resolution/connectivity can be decoded from it. The decoding can be performed in real time while achieving a state-of-the-art trade-off between reconstruction quality and the size of the compressed representations.
• Abstract（参考訳）: Inlicit Neural Representation (INR)は、画像、ビデオ、3D表面、オーディオなど、幅広いモダリティの最先端の圧縮を実現するために実証されている。 ほとんどの研究は、符号付き距離関数のような従来の3次元幾何学の暗黙の表現のニューラルネットワークの構築に焦点を当てている。 しかし、トライアングルメッシュに基づく幾何学表現はいまだ業界で最も広く使われている表現であり、それを生成できるINRの構築はわずかに研究されている。 本稿では、ゼロジェネウス3次元多様体のコンパクトINRを構築する方法を提案する。 我々の方法は、与えられた3次元メッシュの球面パラメータ化(メッシュの表面を単位球面にマッピングする)を作成し、元の形状を再生する表面上で連続的に定義された変位ベクトル場を符号化するINRを構築することに依存する。 表現のコンパクト性はその階層構造に起因し、符号化された表面の粗い構造を初めて復元し、その上に高周波の詳細を加える。 INRが計算されると、任意の解像度/接続性の3Dメッシュをデコードすることができる。 圧縮された表現のサイズと復元品質の最先端のトレードオフを達成しつつ、復号化をリアルタイムで行うことができる。

関連論文リスト

• Mesh Compression with Quantized Neural Displacement Fields [31.316999947745614]
  入射神経表現(INR)は様々な3次元表面表現の圧縮に成功している。 本研究は,INRを用いて3次元トライアングルメッシュを圧縮する簡易かつ効果的な手法を提案する。 本研究では, 複雑なテクスチャの保存が可能であり, 圧縮比が4倍から380倍であることを示す。
  論文  参考訳（メタデータ） (2025-03-28T13:35:32Z)
• 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)
• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• Reconstructing Topology-Consistent Face Mesh by Volume Rendering from Multi-View Images [71.20113392204183]
  産業用3Dフェイスアセット作成は通常、下流生産のために多視点画像からトポロジに一貫性のあるフェイスメッシュを再構築する。 NeRFは3次元再構成において、シーンを密度場と放射場として表現することで大きな利点を示した。 多視点画像からアーティストが作ったテンプレートフェイスメッシュの形状を最適化するために,明示的メッシュとニューラルボリュームレンダリングを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T15:25:50Z)
• Learning Neural Implicit Representations with Surface Signal Parameterizations [14.835882967340968]
  本稿では,外見データに適した表面パラメータ化を暗黙的に符号化するニューラルネットワークアーキテクチャを提案する。 私たちのモデルは、既存のメッシュベースのデジタルコンテンツと外見データとの互換性が保たれています。
  論文  参考訳（メタデータ） (2022-11-01T15:10:58Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• 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)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)

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。