Fugu-MT 論文翻訳(概要): Multi-Class Boundary Extraction from Implicit Representations

論文の概要: Multi-Class Boundary Extraction from Implicit Representations

arxiv url: http://arxiv.org/abs/2602.16217v1
Date: Wed, 18 Feb 2026 06:41:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-19 15:58:30.531852
Title: Multi-Class Boundary Extraction from Implicit Representations
Title（参考訳）: 命令表現からの複数クラス境界抽出
Authors: Jash Vira, Andrew Myers, Simon Ratcliffe,
Abstract要約: トポロジ的一貫性と水密度に着目した多クラスケースのための2次元境界抽出アルゴリズムを提案する。地質モデルデータを用いてアルゴリズムの評価を行い,その適応性と複雑なトポロジを尊重する能力を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Surface extraction from implicit neural representations modelling a single class surface is a well-known task. However, there exist no surface extraction methods from an implicit representation of multiple classes that guarantee topological correctness and no holes. In this work, we lay the groundwork by introducing a 2D boundary extraction algorithm for the multi-class case focusing on topological consistency and water-tightness, which also allows for setting minimum detail restraint on the approximation. Finally, we evaluate our algorithm using geological modelling data, showcasing its adaptiveness and ability to honour complex topology.
Abstract（参考訳）: 単一のクラス表面をモデル化する暗黙の神経表現から表面を抽出することはよく知られた課題である。しかし、位相的正しさと穴のない複数のクラスの暗黙の表現から表面抽出する方法は存在しない。本研究では, 位相整合性および水密度に着目したマルチクラスケースの2次元境界抽出アルゴリズムを導入し, 近似の最小ディテールを設定できるようにする。最後に,その適応性と複雑なトポロジを尊重する能力を示すため,地質モデルデータを用いたアルゴリズムの評価を行った。

関連論文リスト

Stochastic Poisson Surface Reconstruction with One Solve using Geometric Gaussian Processes [48.72107407035312]
幾何学的ガウス過程を応用して、技法と表面再構成を1つのステージに組み合わせる。得られた再構成された表面サンプルは、問題依存のボリュームメッシュやグリッドを使わずに、局所的に宇宙でクエリすることができる。その結果、我々のアプローチはよりクリーンで、より原理的で、より柔軟な表面再構築パイプラインを提供することを示している。
論文参考訳（メタデータ） (2025-03-24T20:47:51Z)
Boundary Attention: Learning curves, corners, junctions and grouping [23.467103272604906]
我々は、曲線、角、ジャンクションを含むグループ化と境界を推論する軽量なネットワークを提案する。ボトムアップ方式で動作し、サブピクセルのエッジローカライゼーションとエッジリンクの古典的な手法に類似している。我々のネットワークは、境界アテンションを幾何学的に認識した局所アテンション操作と呼ぶメカニズムを使用している。
論文参考訳（メタデータ） (2024-01-01T19:00:55Z)
Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
論文参考訳（メタデータ） (2023-06-03T12:23:17Z)
Minimal Neural Atlas: Parameterizing Complex Surfaces with Minimal Charts and Distortion [71.52576837870166]
我々は、新しいアトラスに基づく明示的なニューラルサーフェス表現であるミニマルニューラルアトラスを提案する。その中核は完全学習可能なパラメトリック領域であり、パラメトリック空間の開平方上で定義された暗黙の確率的占有場によって与えられる。我々の再構成は、トポロジーと幾何学に関する懸念の分離のため、全体的な幾何学の観点からより正確である。
論文参考訳（メタデータ） (2022-07-29T16:55:06Z)
DeepCurrents: Learning Implicit Representations of Shapes with Boundaries [25.317812435426216]
本稿では,明示的な境界曲線と暗黙的な学習内部を結合したハイブリッド形状表現を提案する。さらに、境界曲線と潜時符号でパラメータ化された形状の学習ファミリを実証する。
論文参考訳（メタデータ） (2021-11-17T20:34:20Z)
DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文参考訳（メタデータ） (2021-06-20T20:12:41Z)
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)
BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文参考訳（メタデータ） (2021-05-25T04:58:51Z)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
MeshSDF: Differentiable Iso-Surface Extraction [45.769838982991736]
本稿では,Deep Signed Distance関数から表面メッシュを明示的に表現する方法を提案する。我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。我々はこれを利用して、そのトポロジを変えることができるエンドツーエンドの差別化可能なメッシュ表現であるMeshSDFを定義します。
論文参考訳（メタデータ） (2020-06-06T23:44:05Z)

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。