論文の概要: A Geodesic Cut-Cell Prior for Neural Skinning

• arxiv url: http://arxiv.org/abs/2608.11272v1
• Date: Tue, 11 Aug 2026 07:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.316343
• Title: A Geodesic Cut-Cell Prior for Neural Skinning
• Title（参考訳）: ニューラルスキニングに先立つ測地線カットセル
• Abstract要約: データ駆動型スキンウェイト生成のための幾何学的事前設計であるカットセルスキンニングを導入する。 近年の神経スキンモデルに組み込むことにより, 切削細胞スキン化の有効性を実証した。
• 参考スコア（独自算出の注目度）: 15.546505719572103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce cut-cell skinning, a geometric prior designed to augment data-driven skinning weight generation. While data-driven methods show promise in producing high-quality skinning weights, they often lack the generalizability of classic geometric approaches. To bridge this gap, we propose a geometric prior that can be robustly computed for in-the-wild meshes and is efficient for large-scale machine learning workflows. The key idea of our cut-cell skinning is a fast graph-based approximation of the volumetric geodesics distances, motivated by their importance in classic skinning weight computation. Our method achieves orders of magnitude speedup compared to optimization-based solvers and remains resilient to topological artifacts common in cage- or voxel-based alternatives. We demonstrate the efficacy of the cut-cell skinning prior by integrating it into recent neural skinning models, showing consistent improvements across existing methods and achieving state-of-the-art results. Project page: https://wenchao-m.github.io/CutCell.github.io/
• Abstract（参考訳）: データ駆動型スキンウェイト生成のための幾何学的事前設計であるカットセルスキンニングを導入する。 データ駆動方式は高品質なスキンウェイトを創出する可能性を示しているが、古典幾何学的アプローチの一般化性に欠けることが多い。 このギャップを埋めるために、我々は、Wildのメッシュに対して頑健に計算できる幾何学的事前計算を提案し、大規模機械学習ワークフローに効率的である。 カットセルスキンニングの鍵となるアイデアは、古典的なスキンウェイト計算の重要性を動機とした、体積測地線距離の高速グラフに基づく近似である。 本手法は,最適化に基づく解法に比べて桁違いの高速化を実現し,ケージやボキセルの代替品に共通するトポロジ的アーティファクトに耐性を保っている。 近年のニューラルスキンモデルに組み込む前にカットセルスキンの有効性を実証し,既存の手法間で一貫した改善と最先端の結果の達成を示す。 プロジェクトページ:https://wenchao-m.github.io/CutCell.github.io/

関連論文リスト

• Video Generative Models as Geometry Learner [88.78682297429937]
  幾何推定に対する最近の生成的アプローチは、事前訓練された画像拡散モデルに適応し、タスクを画像条件付き生成として扱う。 我々は、幾何学的推定のための統一的でデータ効率のよいフレームワークとして、事前訓練されたビデオ生成モデルを再利用する。 我々の手法であるGeoNeXtは、ビデオモデルから自然に構造化された知識とよりリッチな事前情報を継承し、画像と幾何学的対象の合同モデリングにさらに適応する。
  論文  参考訳（メタデータ） (2026-08-28T17:25:31Z)
• ARMO: Autoregressive Rigging for Multi-Category Objects [8.030479370619458]
  我々はOmniRigを紹介した。OmniRigは79,499個のメッシュで構成され、詳細なスケルトンとスキン情報を含んでいる。 定義済みの標準ポーズに依存する従来のベンチマークとは異なり、データセットにはさまざまな形状カテゴリ、スタイル、ポーズが採用されています。 本稿では、自己回帰モデルを用いて、関節位置と接続関係を統一的に予測する新しいリギングフレームワークARMOを提案する。
  論文  参考訳（メタデータ） (2025-03-26T15:56:48Z)
• Fast training of large kernel models with delayed projections [14.459817519150997]
  データサイズとモデルサイズの両方で効率よくスケールできるカーネルマシンを構築するための新しい手法を提案する。 提案アルゴリズムでは,PSGD(Preconditioned Gradient Descent)に遅延プロジェクションを導入し,従来よりもはるかに大きなモデルのトレーニングを可能にする。 提案アルゴリズムであるEigenPro4を検証し,既存の手法よりも格段に高速な学習速度を示しながら,比較あるいはより優れた分類精度を維持した。
  論文  参考訳（メタデータ） (2024-11-25T18:42:13Z)
• The Persian Rug: solving toy models of superposition using large-scale symmetries [0.0]
  入力次元が大きければ最小限の非線形スパースデータオートエンコーダによって学習されたアルゴリズムの完全なメカニスティック記述を示す。 我々の研究は、オートエンコーダの構造を理解する技術を導入することによって、ニューラルネットワークの解釈可能性に貢献している。
  論文  参考訳（メタデータ） (2024-10-15T22:52:45Z)
• Optimizing Dense Feed-Forward Neural Networks [0.0]
  本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。 提案手法では,パラメータ数を70%以上圧縮できる。 また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
  論文  参考訳（メタデータ） (2023-12-16T23:23:16Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
  我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。 この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。 ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:03:57Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Neural networks with late-phase weights [66.72777753269658]
  学習後期に重みのサブセットを組み込むことで,SGDの解をさらに改善できることを示す。 学習の終わりに、重み空間における空間平均を取ることにより、1つのモデルを取得する。
  論文  参考訳（メタデータ） (2020-07-25T13:23:37Z)
• RePose: Learning Deep Kinematic Priors for Fast Human Pose Estimation [17.0630180888369]
  本稿では,1つの画像から人間のポーズ推定を行うための,効率的で軽量なモデルを提案する。 本モデルは,様々な最先端手法のパラメータ数と計算コストのごく一部で競合する結果を得るように設計されている。
  論文  参考訳（メタデータ） (2020-02-10T16:44:45Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。