論文の概要: MeshLoom: Feed-Forward Non-Rigid Registration of Mesh Sequences

• arxiv url: http://arxiv.org/abs/2606.17027v1
• Date: Mon, 15 Jun 2026 17:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.129836
• Title: MeshLoom: Feed-Forward Non-Rigid Registration of Mesh Sequences
• Title（参考訳）: MeshLoom: フィードフォワードによるメッシュシーケンスの非デジタル登録
• Authors: Jianqi Chen, Jiraphon Yenphraphai, Xiangjun Tang, Sergey Tulyakov, Chaoyang Wang, Peter Wonka, Rameen Abdal,
• Abstract要約: MeshLoomは、メッシュシーケンス間の変形を再構築するフィードフォワード登録ネットワークである。 以上の結果から,MeshLoomは非厳密な登録における最先端の結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 71.45325481648995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present MeshLoom, a feed-forward registration network that directly reconstructs vertex deformations across mesh sequences. Our approach advances non-rigid registration beyond existing models, which are typically constrained by costly per-instance optimization, narrow object categories, pairwise-only inputs, or merely intermediate outputs. The network is simple and efficient, registering multiple meshes within seconds. At its core lies a topology-aware encoder--decoder design. Specifically, we first introduce a topology-aware point representation that encodes the anchor (reference) mesh's topology into its per-vertex features. This representation strengthens the network's understanding of the anchor-mesh geometry and disambiguates points that are Euclidean-close yet geodesically distant. We then propose a multi-modal encoder that fuses this anchor-mesh representation with complementary cues from each frame, such as shape latents and image features. These multi-source signals are compressed into a compact global motion embedding that captures dense inter-frame correspondence. A lightweight decoder then queries this global embedding with the anchor-mesh point representation, retrieving per-vertex deformations at target timestamps. Through extensive experiments across diverse motions and object categories, we show that MeshLoom achieves state-of-the-art results on non-rigid registration. In addition, we find that our global embedding-then-query paradigm naturally enables the network to generate deformations at intermediate timestamps, which extends MeshLoom to motion interpolation and mesh morphing. Project page: https://meshloom.github.io/ .
• Abstract（参考訳）: 本稿では,メッシュ列間の頂点変形を直接再構成するフィードフォワード登録ネットワークであるMeshLoomを提案する。 提案手法は,コストのかかるインスタンスごとの最適化,狭いオブジェクトカテゴリ,ペアのみの入力,あるいは単に中間出力によって制約される既存のモデルを超えて,厳密な登録を推し進める。 ネットワークはシンプルで効率的で、数秒以内に複数のメッシュを登録する。 コアはトポロジー対応のエンコーダ-デコーダ設計である。 具体的には、まず、アンカーメッシュのトポロジを頂点ごとの機能にエンコードするトポロジ対応のポイント表現を導入する。 この表現は、アンカー・メッシュ幾何学に対するネットワークの理解を強化し、ユークリッド閉かつ測地的に遠い点を曖昧にする。 次に,このアンカー・メッシュ表現を,形状ラテントや画像特徴など,各フレームから補完的なキューで融合するマルチモーダルエンコーダを提案する。 これらのマルチソース信号は、高密度なフレーム間通信をキャプチャするコンパクトなグローバルなモーション埋め込みに圧縮される。 軽量デコーダは、このグローバルな埋め込みをアンカーメッシュポイント表現でクエリし、ターゲットのタイムスタンプで頂点ごとの変形を検索する。 多様な動作やオブジェクトカテゴリにわたる広範な実験を通じて、MeshLoomは、非厳密な登録に関する最先端の結果が得られることを示す。 さらに,我々のグローバルな埋め込み-待ち行列のパラダイムにより,中間タイムスタンプでの変形が自然に可能となり,MeshLoomを動作補間やメッシュ変形に拡張できることがわかった。 プロジェクトページ: https://meshloom.github.io/

関連論文リスト

• 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)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Multiscale Graph Neural Network Autoencoders for Interpretable Scientific Machine Learning [0.0]
  この研究の目的は、オートエンコーダベースのモデルにおいて、潜在空間解釈可能性と非構造化メッシュとの互換性という2つの制限に対処することである。 これは、複雑な流体流れのアプリケーションのデモを含む、新しいグラフニューラルネットワーク(GNN)自動エンコーディングアーキテクチャの開発によって達成される。
  論文  参考訳（メタデータ） (2023-02-13T08:47:11Z)
• 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)
• Motion-Attentive Transition for Zero-Shot Video Object Segmentation [99.44383412488703]
  ゼロショットオブジェクトセグメンテーションのためのモーション・アテンタティブ・トランジション・ネットワーク(MATNet)を提案する。 モーション・アテンティブ・トランジション (MAT) と呼ばれる非対称のアテンションブロックは、2ストリームエンコーダ内に設計されている。 このように、エンコーダは深く相互に作用し、物体の動きと外観の間の密な階層的な相互作用を可能にする。
  論文  参考訳（メタデータ） (2020-03-09T16:58:42Z)

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。