論文の概要: MeshOn: Intersection-Free Mesh-to-Mesh Composition
- arxiv url: http://arxiv.org/abs/2604.08799v1
- Date: Thu, 09 Apr 2026 22:14:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.596253
- Title: MeshOn: Intersection-Free Mesh-to-Mesh Composition
- Title（参考訳）: MeshOn: セクションフリーのMesh-to-Meshコンポジション
- Authors: Hyunwoo Kim, Itai Lang, Hadar Averbuch-Elor, Silvia Sellán, Rana Hanocka,
- Abstract要約: 本稿では,2つの入力メッシュの物理的および意味的リアルな構成を見つける方法であるMeshOnを提案する。
アクセサリ、ユーザ定義のターゲットリージョンを備えたベースメッシュ、および両方のメッシュのためのオプションのテキスト文字列が与えられたら、MeshOnは、メッシュを現実的に適合させるために、マルチステップ最適化フレームワークを使用する。
- 参考スコア（独自算出の注目度）: 31.66351849611233
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose MeshOn, a method that finds physically and semantically realistic compositions of two input meshes. Given an accessory, a base mesh with a user-defined target region, and optional text strings for both meshes, MeshOn uses a multi-step optimization framework to realistically fit the meshes onto each other while preventing intersections. We initialize the shapes' rigid configuration via a structured alignment scheme using Vision-to-Language Models, which we then optimize using a combination of attractive geometric losses, and a physics-inspired barrier loss that prevents surface intersections. We then obtain a final deformation of the object, assisted by a diffusion prior. Our method successfully fits accessories of various materials over a breadth of target regions, and is designed to fit directly into existing digital artist workflows. We demonstrate the robustness and accuracy of our pipeline by comparing it with generative approaches and traditional registration algorithms.
- Abstract（参考訳）: 本稿では,2つの入力メッシュの物理的および意味的リアルな構成を見つける方法であるMeshOnを提案する。
アクセサリ、ユーザ定義のターゲットリージョンを備えたベースメッシュ、および両方のメッシュのためのオプションのテキスト文字列が与えられたら、MeshOnは、複数ステップの最適化フレームワークを使用して、メッシュを相互に現実的に適合させ、交差点を防止します。
形状の剛性化を視覚-言語モデルを用いた構造的アライメントスキームを用いて初期化し, 魅力ある幾何学的損失と, 表面交叉を防止した物理学的なバリアロスを組み合わせて最適化する。
次に、拡散前の物体の最終的な変形を求める。
提案手法は,対象領域の広い範囲に様々な素材のアクセサリーを適合させ,既存のデジタルアーティストのワークフローに直接適合するように設計されている。
生成的アプローチや従来の登録アルゴリズムと比較することにより,パイプラインの堅牢性と精度を実証する。
関連論文リスト
- MeshPad: Interactive Sketch-Conditioned Artist-Reminiscent Mesh Generation and Editing [64.84885028248395]
MeshPadは、スケッチ入力から3Dメッシュを生成するジェネレーティブなアプローチである。
我々は、メッシュの領域の"削除"に編集を分解し、新しいメッシュ幾何学の"追加"に続き、一貫した編集を可能にすることに重点を置いている。
提案手法は,メッシュ三角形の追加と削除のために,大規模なTransformerモデルを利用した三角形列に基づくメッシュ表現に基づいている。
論文 参考訳（メタデータ） (2025-03-03T11:27:44Z) - HMC: Hierarchical Mesh Coarsening for Skeleton-free Motion Retargeting [35.00941250252142]
従来の方法では、メッシュ内の固有の局所的な動きを保存できず、高分解能メッシュ間で動きを伝達する。
本稿では,メッシュ表現を粗くすることで,より優れた動き伝達を実現するメッシュ粗大化モジュールを提案する。
提案手法をよく知られた3次元キャラクタデータセットを用いて評価し,点幅のメッシュユークリッド距離において平均25%の改善が得られた。
論文 参考訳（メタデータ） (2023-03-20T08:52:34Z) - Deep Rectangling for Image Stitching: A Learning Baseline [57.76737888499145]
我々は不規則な境界やシーンに大きな多様性を持つ最初の画像縫合整形データセットを構築した。
実験では、従来の方法よりも定量的にも質的にも優位性を示す。
論文 参考訳（メタデータ） (2022-03-08T03:34:10Z) - Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。
我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文 参考訳（メタデータ） (2021-10-11T17:24:52Z) - 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) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。