論文の概要: Shape Representation using Gaussian Process mixture models

• arxiv url: http://arxiv.org/abs/2604.00862v1
• Date: Wed, 01 Apr 2026 13:11:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.000347
• Title: Shape Representation using Gaussian Process mixture models
• Title（参考訳）: ガウス過程混合モデルを用いた形状表現
• Authors: Panagiotis Sapoutzoglou, George Terzakis, Georgios Floros, Maria Pateraki,
• Abstract要約: 本稿では,ガウス過程(GP)混合モデルを用いて表面形状をモデル化する,新しいオブジェクト指向機能形状表現を提案する。 提案手法は軽量であり, GPを用いて, 粗いサンプル点群から連続方向距離場を学習する。
• 参考スコア（独自算出の注目度）: 2.7882300801098037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional explicit 3D representations, such as point clouds and meshes, demand significant storage to capture fine geometric details and require complex indexing systems for surface lookups, making functional representations an efficient, compact, and continuous alternative. In this work, we propose a novel, object-specific functional shape representation that models surface geometry with Gaussian Process (GP) mixture models. Rather than relying on computationally heavy neural architectures, our method is lightweight, leveraging GPs to learn continuous directional distance fields from sparsely sampled point clouds. We capture complex topologies by anchoring local GP priors at strategic reference points, which can be flexibly extracted using any structural decomposition method (e.g. skeletonization, distance-based clustering). Extensive evaluations on the ShapeNetCore and IndustryShapes datasets demonstrate that our method can efficiently and accurately represent complex geometries.
• Abstract（参考訳）: 点雲やメッシュのような従来の明示的な3D表現は、微妙な幾何学的詳細を捉え、表面ルックアップのための複雑なインデックスシステムを必要とし、関数表現を効率的でコンパクトで連続的な代替物にする。 本研究では,ガウス過程(GP)混合モデルを用いて表面形状をモデル化する,新しいオブジェクト固有機能形状表現を提案する。 計算量の多いニューラルネットワークアーキテクチャに頼らず、GPを利用して小さなサンプルの点雲から連続的な方向距離場を学習する。 我々は,任意の構造的分解法(例えば,骨格化,距離ベースクラスタリング)を用いて柔軟に抽出できる,戦略的基準点に局所GP先行を固定することで,複雑な位相を捉える。 ShapeNetCoreおよびIndustrialShapesデータセットの大規模評価により,本手法が複雑なジオメトリを効率的に正確に表現できることが示されている。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields [4.683612295430956]
  我々は点雲からコンパクトで水密な多角形建築モデルを再構築するための新しい枠組みを提案する。 合成および実世界の点雲の両方の実験により、我々の神経誘導戦略により、高品質な建築モデルは、忠実性、コンパクト性、計算効率において大きな利点をもって得られることが実証された。
  論文  参考訳（メタデータ） (2021-12-24T21:32:32Z)
• 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)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)

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。