論文の概要: Iskra: A System for Inverse Geometry Processing

• arxiv url: http://arxiv.org/abs/2602.12105v1
• Date: Thu, 12 Feb 2026 15:59:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.910015
• Title: Iskra: A System for Inverse Geometry Processing
• Title（参考訳）: Iskra: 逆幾何学処理システム
• Authors: Ana Dodik, Ahmed H. Mahmoud, Justin Solomon,
• Abstract要約: 我々のシステムは、既存の高速問題固有のスキームを利用して、幅広い幾何学的アルゴリズムのクラスを区別する。 機械学習フレームワークと互換性があり、逆幾何処理アプリケーションの新しいクラスへの扉を開く。
• 参考スコア（独自算出の注目度）: 9.468513206619274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a system for differentiating through solutions to geometry processing problems. Our system differentiates a broad class of geometric algorithms, exploiting existing fast problem-specific schemes common to geometry processing, including local-global and ADMM solvers. It is compatible with machine learning frameworks, opening doors to new classes of inverse geometry processing applications. We marry the scatter-gather approach to mesh processing with tensor-based workflows and rely on the adjoint method applied to user-specified imperative code to generate an efficient backward pass behind the scenes. We demonstrate our approach by differentiating through mean curvature flow, spectral conformal parameterization, geodesic distance computation, and as-rigid-as-possible deformation, examining usability and performance on these applications. Our system allows practitioners to differentiate through existing geometry processing algorithms without needing to reformulate them, resulting in low implementation effort, fast runtimes, and lower memory requirements than differentiable optimization tools not tailored to geometry processing.
• Abstract（参考訳）: 本稿では,幾何処理問題に対する解を微分するシステムを提案する。 本システムでは,局所言語やADMM解法など,幾何処理に共通する既存の高速問題固有のスキームを利用して,幅広い幾何学的アルゴリズムのクラスを区別する。 機械学習フレームワークと互換性があり、逆幾何処理アプリケーションの新しいクラスへの扉を開く。 我々は、テンソルベースワークフローによるメッシュ処理における散乱ガザアプローチと、ユーザ指定命令コードに適用されたアジョイント手法を併用して、シーンの背後にある効率的な後方パスを生成する。 提案手法は, 平均曲率流, スペクトル共形パラメータ化, 測地線距離計算, および準剛性変形を用いて, それらの利用性や性能を検証することによって実証する。 提案システムでは,既存の幾何処理アルゴリズムを改良することなく,実装作業の短縮,ランタイムの高速化,メモリ要求の低減を実現している。

関連論文リスト

• ArGEnT: Arbitrary Geometry-encoded Transformer for Operator Learning [2.757490632589873]
  本稿では、任意のドメイン上での演算子学習のための幾何認識型アテンションベースアーキテクチャであるArbitrary Geometry-encoded Transformer (ArGEnT)を提案する。 柔軟な幾何符号化と演算子学習機能を組み合わせることで、ArGEnTは複雑な物理システムの最適化、不確実性、データ駆動モデリングのためのスケーラブルな代理モデリングフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-12T06:22:59Z)
• Surrogate-Based Differentiable Pipeline for Shape Optimization [64.24199762940444]
  本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。 本研究では、3次元U-Netのフルフィールドサロゲートがメッシュ化とシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実証する。
  論文  参考訳（メタデータ） (2025-11-13T19:30:50Z)
• Geometry-Informed Neural Operator Transformer [0.8906214436849201]
  この研究は、Geometry-Informed Neural Operator Transformer (GINOT)を導入し、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合し、任意のジオメトリの前方予測を可能にする。 GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-28T03:39:27Z)
• GeoCoder: Solving Geometry Problems by Generating Modular Code through Vision-Language Models [10.443672399225983]
  視覚パラメトリックモデル(VLM)は、様々なマルチモーダルタスクにおいて大きな進歩を遂げた。 彼らはいまだに幾何学的な問題に悩まされており、事前訓練中に見えない数学的操作を行うことができないため、著しく制限されている。 モジュール型コードファインタニングを利用して,事前に定義された幾何関数ライブラリを使用してコードの生成と実行を行うGeoCoderを提案する。
  論文  参考訳（メタデータ） (2024-10-17T12:56:52Z)
• A hybrid numerical methodology coupling Reduced Order Modeling and Graph Neural Networks for non-parametric geometries: applications to structural dynamics problems [0.0]
  本研究は、複雑な物理系を管理する時間領域偏微分方程式(PDE)の数値解析を高速化するための新しいアプローチを導入する。 この手法は、古典的低次モデリング(ROM)フレームワークと最近のパラメトリックグラフニューラルネットワーク(GNN)の組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-06-03T08:51:25Z)
• A Survey of Geometric Optimization for Deep Learning: From Euclidean Space to Riemannian Manifold [7.737713458418288]
  ディープラーニング(DL)は複雑な人工知能(AI)タスクで成功したが、様々な悪名高い問題に悩まされている。 本稿では、DLにおける幾何最適化の適用に関する総合的な調査について述べる。 畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスファー学習、最適輸送など、さまざまなAIタスクにおける異なるDLネットワークにおける幾何学的最適化の適用について検討する。
  論文  参考訳（メタデータ） (2023-02-16T10:50:15Z)
• On a class of geodesically convex optimization problems solved via Euclidean MM methods [50.428784381385164]
  ユークリッド凸化関数の違いは、統計学と機械学習の異なるタイプの問題の違いとして記述できることを示す。 最終的に、より広い範囲、より広い範囲の作業を支援するのです。
  論文  参考訳（メタデータ） (2022-06-22T23:57:40Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Isometric Multi-Shape Matching [50.86135294068138]
  形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。 アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。 定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
  論文  参考訳（メタデータ） (2020-12-04T15:58:34Z)

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。