論文の概要: Electrostatics-Inspired Surface Reconstruction (EISR): Recovering 3D Shapes as a Superposition of Poisson's PDE Solutions
- arxiv url: http://arxiv.org/abs/2602.11642v1
- Date: Thu, 12 Feb 2026 06:54:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.684233
- Title: Electrostatics-Inspired Surface Reconstruction (EISR): Recovering 3D Shapes as a Superposition of Poisson's PDE Solutions
- Title（参考訳）: 静電誘起表面再構成(EISR):ポアソンPDE溶液の重ね合わせによる3次元形状の復元
- Authors: Diego Patiño, Knut Peterson, Kostas Daniilidis, David K. Han,
- Abstract要約: SDFのような入射形状表現は、スカラー場のレベルセットとして3次元形状の表面を復元するための一般的なアプローチである。
本稿では,プロキシPDE(Poisson's equation)の解として符号化することで表面再構成を行う新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 30.45719339210484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implicit shape representation, such as SDFs, is a popular approach to recover the surface of a 3D shape as the level sets of a scalar field. Several methods approximate SDFs using machine learning strategies that exploit the knowledge that SDFs are solutions of the Eikonal partial differential equation (PDEs). In this work, we present a novel approach to surface reconstruction by encoding it as a solution to a proxy PDE, namely Poisson's equation. Then, we explore the connection between Poisson's equation and physics, e.g., the electrostatic potential due to a positive charge density. We employ Green's functions to obtain a closed-form parametric expression for the PDE's solution, and leverage the linearity of our proxy PDE to find the target shape's implicit field as a superposition of solutions. Our method shows improved results in approximating high-frequency details, even with a small number of shape priors.
- Abstract（参考訳）: SDFのような入射形状表現は、スカラー場のレベルセットとして3次元形状の表面を復元するための一般的なアプローチである。
SDFがアイコン偏微分方程式(PDE)の解であるという知識を利用する機械学習戦略を用いて、SDFを近似する方法がいくつかある。
本研究では,プロキシPDE(Poisson's equation)の解として符号化することで表面再構成を行う新しい手法を提案する。
次に,ポアソン方程式と物理学,例えば正電荷密度による静電ポテンシャルの関連について検討する。
我々はグリーン関数を用いて、PDEの解に対する閉形式パラメトリック式を求め、プロキシPDEの線型性を利用して、対象形状の暗黙の場を解の重ね合わせとして見つける。
本手法では, 少ない形状でも, 高周波の細部を近似した結果が得られた。
関連論文リスト
- Guided Diffusion Sampling on Function Spaces with Applications to PDEs [112.09025802445329]
PDEに基づく逆問題における条件付きサンプリングのための一般的なフレームワークを提案する。
これは、関数空間拡散モデルと条件付けのためのプラグアンドプレイガイダンスによって達成される。
提案手法は,最先端の固定解像度拡散ベースラインに対して平均32%の精度向上を実現する。
論文 参考訳（メタデータ） (2025-05-22T17:58:12Z) - Mechanistic PDE Networks for Discovery of Governing Equations [52.492158106791365]
データから偏微分方程式を発見するためのモデルであるメカニスティックPDEネットワークを提案する。
表現されたPDEは解決され、特定のタスクのためにデコードされる。
線形偏微分方程式に特化して、ネイティブ、GPU対応、並列、スパース、微分可能多重グリッドソルバを開発した。
論文 参考訳（メタデータ） (2025-02-25T17:21:44Z) - Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。
Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
論文 参考訳（メタデータ） (2024-05-27T15:34:35Z) - LISR: Learning Linear 3D Implicit Surface Representation Using Compactly
Supported Radial Basis Functions [5.056545768004376]
部分的かつノイズの多い3次元点雲スキャンから物体を3次元表面で再構成することは、古典的な幾何学処理と3次元コンピュータビジョンの問題である。
本稿では,物体の3次元表面の線形暗黙的形状表現を学習するためのニューラルネットワークアーキテクチャを提案する。
提案手法は,ベンチマークデータセットの最先端手法よりも,チャムファー距離と同等のFスコアを実現する。
論文 参考訳（メタデータ） (2024-02-11T20:42:49Z) - Data-Driven Discovery of PDEs via the Adjoint Method [2.8789878028240907]
本稿では、与えられたデータに基づいて、基礎となる支配的偏微分方程式(PDE)を発見する方法を提案する。
PDEの形式を同定する上で,提案手法の有効性を示す。
また,その性能をPDE-FIND(PDE-FIND)として有名なPDE関数同定法と比較した。
論文 参考訳（メタデータ） (2024-01-30T17:10:42Z) - Deep Equilibrium Based Neural Operators for Steady-State PDEs [100.88355782126098]
定常PDEに対する重み付けニューラルネットワークアーキテクチャの利点について検討する。
定常PDEの解を直接解くFNOアーキテクチャの深い平衡変種であるFNO-DEQを提案する。
論文 参考訳（メタデータ） (2023-11-30T22:34:57Z) - 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) - A Neural RDE-based model for solving path-dependent PDEs [5.6293920097580665]
経路依存偏微分方程式(PPDE)の概念は、金融市場における経路依存偏微分の文脈で最初に導入された。
古典的な PDE と比較して、PPDE の解は無限次元空間変数を含む。
本稿では,PPDEを学習するための大まかなニューラル微分方程式(NRDE)に基づくモデルを提案する。
論文 参考訳（メタデータ） (2023-06-01T20:19:41Z) - Meta-PDE: Learning to Solve PDEs Quickly Without a Mesh [24.572840023107574]
偏微分方程式(PDE)は、しばしば計算的に解くのが難しい。
本稿では,関連するPDEの分布から,問題の迅速な解法を学習するメタラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-11-03T06:17:52Z) - Finite Expression Method for Solving High-Dimensional Partial Differential Equations [9.238700679836857]
本稿では,有限個の解析式を持つ関数空間における近似PDE解を求める新しい手法を提案する。
FEXは次元の呪いを避けることができるという近似理論で証明されている。
有限解析式を持つ近似解はまた、基底真理 PDE 解に対する解釈可能な洞察を与える。
論文 参考訳（メタデータ） (2022-06-21T05:51:10Z) - 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) - Shape As Points: A Differentiable Poisson Solver [118.12466580918172]
本稿では,ポアソン表面再構成 (PSR) の微分可能な定式化を用いた,微分可能な点間メッシュ層を提案する。
微分可能なPSR層は、暗示指標場を介して、明示的な3D点表現を3Dメッシュに効率よく、かつ、差別的にブリッジすることができる。
ニューラル暗黙の表現と比較して、私たちのシェープ・アズ・ポイント(SAP)モデルはより解釈可能で、軽量で、1桁の推論時間を加速します。
論文 参考訳（メタデータ） (2021-06-07T09:28:38Z)
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。