論文の概要: Patch-based Representation and Learning for Efficient Deformation Modeling
- arxiv url: http://arxiv.org/abs/2601.05035v1
- Date: Thu, 08 Jan 2026 15:43:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:53.258073
- Title: Patch-based Representation and Learning for Efficient Deformation Modeling
- Title（参考訳）: 効率的な変形モデリングのためのパッチベース表現と学習
- Authors: Ruochen Chen, Thuy Tran, Shaifali Parashar,
- Abstract要約: 表面パッチ上にジェット関数を局所的に取り付けることで得られる表面のパッチベース表現であるPolyFitを提案する。
PolyFitを使えば、ジェット係数のコンパクトな集合を更新することで、表面を効率的に変形させることができる。
我々は、解像度や衣服の種類をまたいで一般化し、強力なベースラインよりも高速な推論を提供する、自己監督的、メッシュ的、衣服に依存しないモデルを訓練する。
- 参考スコア（独自算出の注目度）: 4.103736487425219
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a patch-based representation of surfaces, PolyFit, which is obtained by fitting jet functions locally on surface patches. Such a representation can be learned efficiently in a supervised fashion from both analytic functions and real data. Once learned, it can be generalized to various types of surfaces. Using PolyFit, the surfaces can be efficiently deformed by updating a compact set of jet coefficients rather than optimizing per-vertex degrees of freedom for many downstream tasks in computer vision and graphics. We demonstrate the capabilities of our proposed methodologies with two applications: 1) Shape-from-template (SfT): where the goal is to deform the input 3D template of an object as seen in image/video. Using PolyFit, we adopt test-time optimization that delivers competitive accuracy while being markedly faster than offline physics-based solvers, and outperforms recent physics-guided neural simulators in accuracy at modest additional runtime. 2) Garment draping. We train a self-supervised, mesh- and garment-agnostic model that generalizes across resolutions and garment types, delivering up to an order-of-magnitude faster inference than strong baselines.
- Abstract（参考訳）: 本稿では,表面パッチ上にジェット関数を局所的に取り付けることで得られる表面のパッチベース表現であるPolyFitを提案する。
このような表現は、解析関数と実データの両方から教師付き方法で効率的に学習することができる。
一度学習すると、様々な種類の曲面に一般化することができる。
PolyFitを使えば、コンピュータビジョンやグラフィックスにおける多くの下流タスクに対して、頂点ごとの自由度を最適化するのではなく、ジェット係数のコンパクトなセットを更新することで、表面を効率的に変形させることができる。
提案手法を2つの応用例で示す。
1)Shape-from-template (SfT): 画像やビデオで見られるように、オブジェクトの入力3Dテンプレートを変形させることが目的である。
PolyFitを使用することで、オフライン物理学ベースの解法よりもはるかに高速な競合精度を実現し、最近の物理誘導ニューラルシミュレータを適度な追加実行時に精度良く性能を向上する。
2)ガーメントドレーピング。
我々は、解像度や衣服の種類をまたいで一般化し、強力なベースラインよりも高速な推論を提供する、自己監督的、メッシュ的、衣服に依存しないモデルを訓練する。
関連論文リスト
- PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。
まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。
2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
論文 参考訳（メタデータ） (2025-05-22T17:55:10Z) - A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳（メタデータ） (2024-12-12T16:05:39Z) - PolySketchFormer: Fast Transformers via Sketching Polynomial Kernels [23.99075223506133]
モデル品質を犠牲にすることなくソフトマックスを効果的に置き換えることができることを示す。
本稿では,因果マスキングを効率的に適用するためのブロックベースアルゴリズムを提案する。
PolySketchFormerAttentionは、長いコンテキストを扱える言語モデルを訓練することで実証的に検証する。
論文 参考訳（メタデータ） (2023-10-02T21:39:04Z) - Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。
Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。
変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
論文 参考訳（メタデータ） (2022-11-28T17:55:34Z) - Positional Encoding Augmented GAN for the Assessment of Wind Flow for
Pedestrian Comfort in Urban Areas [0.41998444721319217]
本研究は,CFDを用いた3次元フローフィールドの計算から,建物のフットプリント上の2次元画像から画像への変換に基づく問題まで,歩行者の高さレベルでのフローフィールドの予測に至るまでの課題を言い換える。
本稿では,画像から画像への変換タスクの最先端を表現したPix2PixやCycleGANなど,GAN(Generative Adversarial Network)の利用について検討する。
論文 参考訳（メタデータ） (2021-12-15T19:37:11Z) - Combining Implicit Function Learning and Parametric Models for 3D Human
Reconstruction [123.62341095156611]
深層学習近似として表される暗黙の関数は、3次元曲面の再構成に強力である。
このような機能は、コンピュータグラフィックスとコンピュータビジョンの両方に柔軟なモデルを構築するのに不可欠である。
詳細に富んだ暗黙関数とパラメトリック表現を組み合わせた方法論を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:46:14Z)
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。