論文の概要: SubdivAR: Autoregressive Next-Scale Prediction for Neural Mesh Subdivision
- arxiv url: http://arxiv.org/abs/2606.27088v1
- Date: Thu, 25 Jun 2026 14:24:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.320421
- Title: SubdivAR: Autoregressive Next-Scale Prediction for Neural Mesh Subdivision
- Title（参考訳）: SubdivAR: ニューラルネットワークサブディビジョンの自己回帰的次世代予測
- Abstract要約: メッシュ分割は粗い編集可能なメッシュを高分解能な表面に変換するための基本的な操作である。
提案したメッシュ自己回帰表現(MAR)に基づくニューラルネットワークサブディビジョンフレームワークであるSubdivARを提案する。
MARは、異なるサブディビジョンレベルのメッシュを順序付けられたスケールシーケンスにアレンジし、サブディビジョンを自己回帰的な次のスケール予測として再構成する。
- 参考スコア（独自算出の注目度）: 10.62097148325093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mesh subdivision is a fundamental operation for converting coarse, editable meshes into high-resolution surfaces, with broad applications in digital asset creation. Classical rule-based schemes rely on fixed local refinement rules and often produce over-smoothed surfaces. Recent neural subdivision methods improve detail synthesis, but remain constrained by local modeling and exhibit limited generalizability. We present SubdivAR, a neural mesh subdivision framework based on our proposed Mesh Autoregressive Representation (MAR). MAR arranges meshes at different subdivision levels into an ordered scale sequence, reformulating subdivision as autoregressive next-scale prediction. To support this formulation, we introduce a Hybrid Topology-Aware Transformer that combines global semantic attention with topology-constrained local feature aggregation. SubdivAR adopts a next-scale coordinate prediction paradigm, regressing vertex offsets at each refinement stage to preserve subdivision topology while recovering fine-grained geometric details. To enable reliable learning, we construct FII-40K, a curated dataset of nearly 40,000 high-quality meshes with multi-level subdivision supervision. Experiments show that SubdivAR outperforms state-of-the-art baselines, reducing Hausdorff Distance and Chamfer Distance by 18.8% and 14.2%, respectively, and demonstrates strong robustness on complex open-surface geometries.
- Abstract（参考訳）: メッシュ分割は、粗い編集可能なメッシュを高分解能な表面に変換するための基本的な操作であり、デジタルアセット作成に広く応用されている。
古典的な規則に基づくスキームは、固定された局所的な精錬規則に依存し、しばしば過度に滑らかな表面を生成する。
最近のニューラル・サブディビジョン法は、詳細合成を改善するが、局所的モデリングによって制約され、限定的な一般化性を示す。
提案したMesh Autoregressive Representation (MAR)に基づいて,ニューラルネットワークのサブディビジョンフレームワークであるSubdivARを提案する。
MARは、異なるサブディビジョンレベルのメッシュを順序付けられたスケールシーケンスにアレンジし、サブディビジョンを自己回帰的な次のスケール予測として再構成する。
この定式化を支援するために,グローバルなセマンティックアテンションとトポロジに制約のある局所特徴集約を組み合わせたハイブリッドトポロジ・アウェア・トランスフォーマを導入する。
SubdivARは次のスケールの座標予測パラダイムを採用し、細かな幾何学的詳細を回復しながら、各改良段階で頂点オフセットを退避させる。
信頼性の高い学習を実現するため、我々はFII-40Kを構築した。
実験の結果、SubdivARは最先端のベースラインを上回り、ハウスドルフ距離とシャンファー距離をそれぞれ18.8%、14.2%削減し、複雑な開地地形に強い堅牢性を示すことが示された。
関連論文リスト
- Multi-Submap Implicit Neural SLAM with Local-to-Global Loop Closure for Large-Scale Scene Reconstruction [38.870967480699186]
本稿では,マルチサブマップアーキテクチャと2層ループクロージャ機構を備えた大規模ニューラルネットワークSLAMシステムを提案する。
堅牢なポーズ推定のために、光学フローベースのトラッキングモジュールが、攻撃的な動きを処理するために統合されている。
提案手法は, 再建品質と局所ロバスト性において, 最先端のニューラルSLAM法より優れる。
論文 参考訳（メタデータ） (2026-08-10T05:49:55Z) - ARDepth: Auto-regressive Monocular Depth Estimation with Progressive Visual Conditioning [66.42476564611607]
拡散モデルは、反復的妄想を通して、世界規模で滑らかな場として深度を復元できると仮定する。
本稿では,構造的自己回帰生成として深度推定を定式化するARDepthを提案する。
提案手法は高い性能を達成し,スケールにわたって構造的に一貫した深度予測を実現する。
論文 参考訳（メタデータ） (2026-07-14T07:06:46Z) - Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation [0.30786914102688595]
Dmshは、幾何学的分解と四角形メッシュ生成を統一する最初の完全自動強化学習パイプラインである。
Dmshは、トポロジの単純化、幾何正規化、メッシュ生成を扱う3つの協調エージェントによって問題を分解する。
学習戦略により、単純なドメインから非常に複雑なジオメトリへのスケーラビリティが保証され、種子の分散が抑制される。
論文 参考訳（メタデータ） (2026-06-09T09:04:32Z) - MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。
MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
論文 参考訳（メタデータ） (2026-06-03T10:15:43Z) - Topologically Consistent Multi-view 3D Head Reconstruction via Coarse-Guided Layered Surface Sampling [15.24889101682807]
SHELLSは多視点画像からの密接な意味対応における3次元頭部再構成のための効率的なフィードフォワードフレームワークである。
これは3.5倍の推論速度で、中央値の登録誤差を21%から29%に削減する。
我々のモデルは、合成データにのみ訓練されるが、実世界のキャプチャーに効果的に一般化される。
論文 参考訳（メタデータ） (2026-05-29T13:14:43Z) - TopoMesh: High-Fidelity Mesh Autoencoding via Topological Unification [44.632513151214084]
TopoMeshは、GTと予測メッシュを、共有デュアルマーチングキューブ(DMC)トポロジフレームワークで統合した、スパースボクセルベースのVAEである。
我々のデコーダは同じDMCフォーマットでメッシュを出力し、予測とターゲットのメッシュが同じトポロジ構造を共有することを保証します。
大規模な実験により、TopoMeshは再建忠実度において既存のVAEを著しく上回っていることが示された。
論文 参考訳（メタデータ） (2026-03-25T13:10:34Z) - PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。
低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。
ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
論文 参考訳（メタデータ） (2025-10-07T06:31:02Z) - MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly [62.48017648785026]
MeshMosaicは,100K以上の三角形にスケールするアーティストメッシュ生成のための,新たなローカル・グローバルなフレームワークである。
MeshMosaicは,幾何学的忠実度とユーザの好みの両方において,最先端の手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-09-24T11:02:03Z) - Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - 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) - 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。