論文の概要: Deep Feature Deformation Weights

• arxiv url: http://arxiv.org/abs/2601.12527v1
• Date: Sun, 18 Jan 2026 18:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.665624
• Title: Deep Feature Deformation Weights
• Title（参考訳）: 深部変形重量
• Authors: Richard Liu, Itai Lang, Rana Hanocka,
• Abstract要約: 従来のフレームワークの正確な制御と速度で,データのセマンティクスを融合させる手法を提案する。 我々のアプローチは驚くほど単純だが効果的であり、深い特徴近接は滑らかで意味的な変形重みを生み出す。 コンシューマグレードマシン上で,最大100万顔までのメッシュの変形をリアルタイムに生成できる概念実証アプリケーションを提案する。
• 参考スコア（独自算出の注目度）: 16.85663471272189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Handle-based mesh deformation has been a long-standing paradigm in computer graphics, enabling intuitive shape edits from sparse controls. Classic techniques offer precise and rapid deformation control. However, they solve an optimization problem with constraints defined by control handle placement, requiring a user to know apriori the ideal distribution of handles on the shape to accomplish the desired edit. The mapping from handle set to deformation behavior is often unintuitive and, importantly, non-semantic. Modern data-driven methods, on the other hand, leverage a data prior to obtain semantic edits, but are slow and imprecise. We propose a technique that fuses the semantic prior of data with the precise control and speed of traditional frameworks. Our approach is surprisingly simple yet effective: deep feature proximity makes for smooth and semantic deformation weights, with no need for additional regularization. The weights can be computed in real-time for any surface point, whereas prior methods require optimization for new handles. Moreover, the semantic prior from deep features enables co-deformation of semantic parts. We introduce an improved feature distillation pipeline, barycentric feature distillation, which efficiently uses the visual signal from shape renders to minimize distillation cost. This allows our weights to be computed for high resolution meshes in under a minute, in contrast to potentially hours for both classical and neural methods. We preserve and extend properties of classical methods through feature space constraints and locality weighting. Our field representation allows for automatic detection of semantic symmetries, which we use to produce symmetry-preserving deformations. We show a proof-of-concept application which can produce deformations for meshes up to 1 million faces in real-time on a consumer-grade machine.
• Abstract（参考訳）: ハンドルベースのメッシュ変形は、コンピュータグラフィックスにおける長年のパラダイムであり、スパースコントロールからの直感的な形状編集を可能にする。 古典的な技法は、精密かつ迅速な変形制御を提供する。 しかし、制御ハンドル配置によって定義された制約で最適化問題を解くため、ユーザーは望む編集を行うために、形状上のハンドルの理想的な分布を知る必要がある。 ハンドルセットから変形挙動へのマッピングはしばしば直感的で、重要で非意味である。 一方、現代のデータ駆動方式では、セマンティックな編集を行う前にデータを活用するが、遅くて不正確である。 従来のフレームワークの正確な制御と速度で,データのセマンティクスを融合させる手法を提案する。 我々のアプローチは驚くほど単純だが効果的であり、深い特徴近接はスムーズでセマンティックな変形重みを生じさせるが、追加の正規化は不要である。 ウェイトは任意の表面点に対してリアルタイムに計算できるが、以前の手法では新しいハンドルの最適化が必要である。 さらに、深い特徴から先立つセマンティックは、セマンティック部分の共変形を可能にする。 本研究では, 改良された特徴蒸留パイプライン, バリ中心特徴蒸留を導入し, 形状レンダリングからの視覚信号を効率よく利用し, 蒸留コストを最小化する。 これにより、古典的手法とニューラル手法の両方の時間に対して、ウェイトを1分以内で高解像度メッシュで計算することが可能になります。 特徴空間制約と局所性重み付けにより古典的手法の特性を保存・拡張する。 我々のフィールド表現は、対称性保存変形を生成するために使用されるセマンティック対称性の自動検出を可能にする。 コンシューマグレードマシン上で,最大100万顔までのメッシュの変形をリアルタイムに生成できる概念実証アプリケーションを提案する。

関連論文リスト

• Preconditioned Deformation Grids [41.79220966392968]
  非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。 提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-22T17:59:55Z)
• General Neural Gauge Fields [100.35916421218101]
  我々はゲージ変換とニューラルネットワークを協調的に最適化する学習フレームワークを開発した。 我々は、シーン情報を本質的に保存し、優れた性能を得ることができる情報不変ゲージ変換を導出する。
  論文  参考訳（メタデータ） (2023-05-05T12:08:57Z)
• Neural Implicit Shape Editing using Boundary Sensitivity [12.621108702820313]
  パラメータの摂動が形状境界をどう移動するかを表現するために境界感度を利用する。 これを用いて幾何学的編集を行い、グローバルに規定された変形を最もよく近似するパラメータ更新を求める。
  論文  参考訳（メタデータ） (2023-04-24T13:04:15Z)
• Spatially-varying Regularization with Conditional Transformer for Unsupervised Image Registration [11.498623409184225]
  ニューラルネットワークを用いてデータから直接変形正規化器を学習するエンドツーエンドフレームワークを提案する。 提案手法はTransformerベースのモデルに基づいて構築されるが,任意のネットワークアーキテクチャに容易に適応できる。
  論文  参考訳（メタデータ） (2023-03-10T19:11:16Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Real-time Pose and Shape Reconstruction of Two Interacting Hands With a Single Depth Camera [79.41374930171469]
  本稿では,2つの強く相互作用する手の位置と形状をリアルタイムに再現する新しい手法を提案する。 われわれのアプローチは、有利なプロパティの広範なリスト、すなわちマーカーレスを組み合わせている。 過去の研究で示された複雑性レベルを超える場面で、最先端の結果を示す。
  論文  参考訳（メタデータ） (2021-06-15T11:39:49Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• Learning to Infer Semantic Parameters for 3D Shape Editing [14.902766305317202]
  入力形状のセマンティックパラメータを推論するディープネットワークを学習し,そのパラメータをユーザが操作できるようにする。 このネットワークは、補助的な合成テンプレートとラベルなしのリアルモデルから形状を共同で訓練する。 椅子,飛行機,人体などのデータセットを用いた実験により,本手法が従来よりも自然に編集できることが実証された。
  論文  参考訳（メタデータ） (2020-11-09T20:58:49Z)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)

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。