論文の概要: RADmesh: Remesh-Aware Mesh Deformation

• arxiv url: http://arxiv.org/abs/2608.17182v1
• Date: Mon, 17 Aug 2026 22:46:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.157906
• Title: RADmesh: Remesh-Aware Mesh Deformation
• Title（参考訳）: RADmesh: レメシュ対応メッシュの変形
• Abstract要約: 視覚的損失を伴う形状を生成的に変形させるリメッシング法を提案する。 提案手法は局所化可能であり, 基本形状の新機能を表現的詳細で成長させ, 残りはそのまま残すことができる。
• 参考スコア（独自算出の注目度）: 16.876375037183436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a remeshing-enhanced method for generatively deforming shapes with visual losses. It is intuitive that sufficiently drastic deformations of a mesh without changing its triangulation can easily compromise element quality, even if such large geometry changes may be semantically desired. Shape deformation methods could thus benefit from changing the triangulation; however, this is not done by most generative, text-based, visually-supervised mesh deformation methods. Remeshing is a discrete operation, proven to be especially challenging to couple with the notoriously noisy supervision signal provided by visual losses. We propose a vertex-based deformation optimization quantity capable of large deformations and robustness to such noise; we periodically remesh using an isotropic remesher that interpolates and carries forward the deformation optimization state. This enables continuous, geometry-informed progress in coarse-to-fine addition of resolution. The resulting shapes' triangulations fit their optimized geometry and have neat isotropic elements. Further, our method is localizable, able to grow new features on a base shape with expressive detail, leaving the rest unchanged. We showcase the effectiveness of our method on a variety of shapes and prompts, both local and global deformations, and demonstrate its superior visual quality and triangle efficiency. Our project page is at https://threedle.github.io/radmesh.
• Abstract（参考訳）: 視覚的損失を伴う形状を生成的に変形させるリメッシング法を提案する。 このような大きな幾何学的変化が意味論的に望まれても、トライアングルを変更することなくメッシュの十分な劇的な変形が容易に要素品質を損なうことは直感的である。 したがって、形状変形法は三角法の変更の恩恵を受けることができるが、ほとんどの生成的、テキストベース、視覚的に制御されたメッシュ変形法では実現されない。 レメッシング(remeshing)は、視覚的な損失によって提供される悪名高いノイズの多い監視信号に対処することが特に困難であることが証明された、離散的な手術である。 そこで我々は,変形最適化状態を補間し,前進させる等方的リメーサを用いて,大きな変形と騒音に対するロバスト性を有する頂点ベース変形最適化量を提案する。 これにより、分解能の粗大な付加における連続的、幾何学的インフォームドプログレスが可能になる。 得られた形状の三角形は最適化された幾何学に適合し、きれいな等方的要素を持つ。 さらに,本手法は局所化可能であり,基本形状の新機能を表現的詳細で成長させることができ,残余は変化しない。 本手法は局所的および大域的変形の異なる形状とプロンプトに対する有効性を示し,その優れた視覚的品質と三角形の効率を示す。 私たちのプロジェクトページはhttps:// Threedle.github.io/radmesh.comです。

関連論文リスト

• Geometry in Style: 3D Stylization via Surface Normal Deformation [14.178630551656758]
  我々は、アイデンティティ保存メッシュスタイリングの新しい手法であるGeometry in Styleを提案する。 既存の技術は、バンプマップのような過度に制限された変形を通じて、元の形状に固執する。 対照的に、三角形メッシュの変形を対象の正規ベクトルとして表現する。
  論文  参考訳（メタデータ） (2025-03-29T22:40:25Z)
• PaNDaS: Learnable Deformation Modeling with Localized Control [27.53005990833262]
  我々は3次元表面メッシュの局所的な制御を可能にする点レベルで変形を学習することを提案する。 本手法は, 変形を形状の特定部分に多目的に制限することができる。 形状復元における最先端の精度と局所性を示す。
  論文  参考訳（メタデータ） (2024-12-03T09:21:04Z)
• Explorable Mesh Deformation Subspaces from Unstructured Generative Models [53.23510438769862]
  3次元形状の深い生成モデルは、しばしば潜在的な変動を探索するために使用できる連続的な潜伏空間を特徴付ける。 本研究では,手軽に探索可能な2次元探索空間から事前学習された生成モデルのサブ空間へのマッピングを構築することで,与えられたランドマーク形状の集合間のバリエーションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T18:53:57Z)
• TextDeformer: Geometry Manipulation using Text Guidance [37.02412892926677]
  本稿では,テキストプロンプトのみで案内される入力三角形メッシュの変形を生成する手法を提案する。 私たちのフレームワークは、CLIPやDINOといった強力なトレーニング済み画像エンコーダとジオメトリを接続するために、微分可能なレンダリングに依存しています。 この制限を克服するために、我々はジャコビアンを通してメッシュの変形を表現し、グローバルでスムーズな方法で変形を更新する。
  論文  参考訳（メタデータ） (2023-04-26T07:38:41Z)
• Neural Shape Deformation Priors [14.14047635248036]
  本稿では,新しい形状操作法であるニューラル・シェイプ・フォーメーション・プレファレンスを提案する。 形状の幾何学的性質に基づいて変形挙動を学習する。 本手法は, 難解な変形に対して適用可能であり, 未知の変形に対して良好に一般化できる。
  論文  参考訳（メタデータ） (2022-10-11T17:03:25Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
  3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。 以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。 本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
  論文  参考訳（メタデータ） (2022-04-09T03:46:18Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• 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)

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。