論文の概要: GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models

• arxiv url: http://arxiv.org/abs/2607.00492v1
• Date: Wed, 01 Jul 2026 06:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.752422
• Title: GenSP: Consistent Spherical Parameterization via Learning Shape Generative Models
• Title（参考訳）: GenSP: 形状生成モデル学習による一貫した球面パラメータ化
• Abstract要約: データ駆動型フレームワークであるGenSPを導入し,一貫した球面パラメータ化をジェネリック0形状の集合にわたって学習する。 このような生成モデルを学ぶ上で、いくつかの重要な課題に対処する。 ShapeNetデータセットの実験により、我々の手法は幾何歪みを著しく低減することを示した。
• 参考スコア（独自算出の注目度）: 45.68408819044841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce GenSP, a data-driven framework that learns consistent spherical parameterizations across a collection of genus-0 shapes. Instead of optimizing the parameterization of each shape independently, our method learns a neural generative model that predicts a continuous mapping from the unit sphere to shapes in a dataset. Under this formulation, spherical parameterizations are obtained through the inverse mappings of the learned generator, which encourages similar shapes to share consistent parameterizations. To make this formulation practical, we address several key challenges in learning such a generative model. First, we introduce a continuous neural deformation model that predicts surface points from sphere coordinates and latent shape codes, avoiding discretization artifacts common in mesh-based formulations. Second, we augment the training space with intermediate shapes that bridge the sphere and input shapes, allowing the model to learn meaningful deformations across a heterogeneous shape collection. Third, we compute reliable initial correspondences by propagating mappings along a spanning tree of training shapes in the latent space. Experiments on the ShapeNet dataset demonstrate that our approach significantly reduces geometric distortion and improves cross-shape consistency compared with state-of-the-art spherical parameterization methods.
• Abstract（参考訳）: データ駆動型フレームワークであるGenSPを導入し,一貫した球面パラメータ化をジェネリック0形状の集合にわたって学習する。 本手法は,各形状のパラメータ化を独立に最適化する代わりに,単位球面からデータセットの形状への連続写像を予測するニューラル生成モデルを学習する。 この定式化の下では、学習したジェネレータの逆写像を通じて球面パラメータ化が得られ、類似の形状が一貫したパラメータ化を共有することを奨励する。 この定式化を実践するために、このような生成モデルを学ぶ上でのいくつかの重要な課題に対処する。 まず、スフィア座標と潜時形状符号から表面点を予測する連続的なニューラル変形モデルを導入し、メッシュベースの定式化で一般的な離散化アーティファクトを回避する。 第2に、球面と入力形状をブリッジする中間形状のトレーニング空間を拡大し、不均一な形状のコレクション全体にわたって有意な変形を学習できるようにする。 第3に、潜時空間におけるトレーニング形状の分布木に沿って写像を伝播させることにより、信頼性の高い初期対応を計算する。 ShapeNetデータセットの実験により、我々の手法は幾何歪みを著しく低減し、最先端の球面パラメタライゼーション法と比較して、形状の整合性を向上することを示した。

関連論文リスト

• Point-Based Shape Representation Generation with a Correspondence-Preserving Diffusion Model [1.5624421399300303]
  本稿では,対応した点ベース形状表現を生成するための拡散モデルを提案する。 OASIS-3(Open Access Series of Imaging Studies 3, OASIS-3)と対応した形状表現データを用いて,我々の対応保存モデルがポイントベース海馬形状表現を効果的に生成できることを実証した。
  論文  参考訳（メタデータ） (2025-08-05T21:36:26Z)
• SVarM: Linear Support Varifold Machines for Classification and Regression on Geometric Data [4.212663349859165]
  この研究は、形状の変数表現を測度として利用し、テスト関数 $h:mathbbRn times Sn-1 rightarrow mathbbR$ で双対性を求めるために textitSVarM を提案する。 トレーニング可能なテスト関数をニューラルネットワークで表現することで,形状データセットの分類と回帰モデルを構築した。
  論文  参考訳（メタデータ） (2025-06-01T21:55:15Z)
• GenAnalysis: Joint Shape Analysis by Learning Man-Made Shape Generators with Deformation Regularizations [21.923143529947886]
  GenAnalysisは、人造形の共同解析を可能にする暗黙の形状生成フレームワークである。 本研究では,各形状の接空間における一方向アフィンベクトル場を復元し,形状変化を抽出する方法を示す。 次に,AAAP変形を中間形状列に繰り返し伝播させることにより形状対応を導出する。
  論文  参考訳（メタデータ） (2025-03-02T09:17:08Z)
• Level-Set Parameters: Novel Representation for 3D Shape Analysis [70.23417107911567]
  ニューラルフィールドの最近の発展は、3次元形状の新規で連続的で数値的な表現として符号付き距離関数のレベルセットパラメータをもたらす。 擬似正規分布として定式化し,各データセットに先行する分布を学習することにより,異なる形状の相関関係を確立する。 形状変換を用いたレベルセットパラメータのさらなる探索を目的として,これらのパラメータのサブセットを回転や変換で条件付けし,ハイパーネットワークで生成することを提案する。
  論文  参考訳（メタデータ） (2024-12-18T04:50:19Z)
• Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [50.376243444909136]
  本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。 我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
  論文  参考訳（メタデータ） (2024-02-29T07:26:23Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Functional additive regression on shape and form manifolds of planar curves [0.0]
  我々は、形と形を、翻訳、回転、および -- 形状について -- の同値類として定義する。 平面曲線やランドマークの形状や形状のモデルに一般化された加法的回帰を拡張します。
  論文  参考訳（メタデータ） (2021-09-06T17:43:32Z)
• Representing Shape Collections with Alignment-Aware Linear Models [17.635846912560627]
  3次元点雲の古典的表現を線形形状モデルとして再考する。 私たちの重要な洞察は、ディープラーニングを活用して、アフィン変換として形状の集合を表現することです。
  論文  参考訳（メタデータ） (2021-09-03T16:28:34Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• SNARF: Differentiable Forward Skinning for Animating Non-Rigid Neural Implicit Shapes [117.76767853430243]
  SNARFは多角形メッシュに対する線形ブレンドスキンの利点とニューラル暗黙表面の利点を組み合わせたものである。 反復ルート探索を用いて任意の変形点のすべての正準対応を探索するフォワードスキンモデルを提案する。 最先端のニューラルネットワークの暗黙的表現と比較すると,このアプローチは,精度を維持しつつ,未認識のポーズを一般化する。
  論文  参考訳（メタデータ） (2021-04-08T17:54:59Z)

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。