論文の概要: P-CORE: Self-Supervised Surface Consistency for Point-Based Neural Editing

• arxiv url: http://arxiv.org/abs/2609.03349v1
• Date: Thu, 03 Sep 2026 04:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.922779
• Title: P-CORE: Self-Supervised Surface Consistency for Point-Based Neural Editing
• Title（参考訳）: P-CORE:ポイントベースニューラル編集のための自己監督型表面整合性
• Abstract要約: 本稿では,大規模変形に適応する点ベース表現を実現するための自己教師型手法を提案する。 我々のフレームワークは大きな変形に対するロバスト性を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 12.271046183175185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in neural rendering have enabled high-fidelity multi-view reconstruction of 3D scenes. However, free-form non-rigid shape editing remains a significant challenge. Point-based neural representations are highly desirable for multi-view reconstruction because they lack fixed connectivity, which does not constrain the learned surface topology to that of the initialization. Yet this same property causes point-based representations to struggle with holes and surface discontinuities under large deformations. To address this, we propose a novel self-supervised method to enable point-based representations to adapt to large deformations without requiring ground truth multi-view images of deformed geometry. The key idea is to generate random deformations and to ensure consistency in the predicted surface before and after deformation. In particular, the surface prediction from the deformed point cloud should be the same as the deformation applied to the surface prediction from the original point cloud. We incorporate our approach into attention-based point representations, which differ from splatting-based point representations in their use of a learned interpolation kernel between points as opposed to a Gaussian kernel around each point. This learned interpolation kernel can learn to adapt to large deformations, without requiring addition or removal of points. We show that our framework significantly enhances its robustness to large deformations. Experiments on synthetic geometry editing benchmarks (Neural Editor, Objaverse) demonstrate that our approach outperforms existing point-based methods in zero-shot editing and significantly reduces artifacts. Furthermore, qualitative results on the DTU and Mip-NeRF 360 datasets demonstrate our method's effectiveness on real-world scenes.
• Abstract（参考訳）: ニューラルレンダリングの進歩により、3Dシーンの高忠実度マルチビュー再構成が可能になった。 しかし、自由形式の非剛体形状の編集は依然として重要な課題である。 点ベースニューラル表現は、固定接続が欠如しており、学習した表面トポロジを初期化のそれと制約しないため、多視点再構成に非常に望ましい。 しかし、この同じ性質は、大きな変形の下で、点ベースの表現が穴や表面の不連続と格闘する原因となる。 そこで本稿では,変形幾何学の地平線画像を必要とすることなく,点ベースの表現を大きな変形に適応させる,新たな自己教師手法を提案する。 鍵となる考え方は、ランダムな変形を生成し、変形の前後で予測された表面の整合性を確保することである。 特に、変形点雲からの表面予測は、原点雲からの表面予測に適用される変形と同じであるべきである。 各点のガウスカーネルとは対照的に,各点間の学習補間カーネルの利用において,スプラッティングに基づく点表現とは異なる注意に基づく点表現にアプローチを取り入れた。 この学習された補間カーネルは、点の追加や除去を必要とせず、大きな変形に適応することを学ぶことができる。 我々のフレームワークは大きな変形に対するロバスト性を大幅に向上させることを示す。 合成幾何編集ベンチマーク(Neural Editor, Objaverse)の実験では、ゼロショット編集において既存のポイントベース手法よりも優れ、アーティファクトの大幅な削減が示されている。 さらに、DTUとMip-NeRF 360データセットの定性的な結果から、実世界のシーンにおける本手法の有効性が示された。

関連論文リスト

• Rigidity-Aware 3D Gaussian Deformation from a Single Image [12.08044152819999]
  単一の画像のみから3次元ガウス変形を導く新しいフレームワークであるDeformSplatを提案する。 また,3次元ガウス表現と2次元画素観測の領域ギャップを埋めるガウス対Pixelマッチングを提案する。 これら2つの手法を組み合わせることで,1つの画像から一貫した変形を再構成することができる。
  論文  参考訳（メタデータ） (2025-09-26T11:34:55Z)
• Preconditioned Deformation Grids [41.79220966392968]
  非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。 提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-22T17:59:55Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction [93.18586302123633]
  本稿では3次元点雲列から時間的に一貫した表面を対応なく再構成する問題について考察する。 テンプレート表面表現と学習可能な変形場を統合した教師なし学習フレームワークDynoSurfを提案する。 実験により、DynoSurfの現在の最先端アプローチに対する顕著な優位性を示した。
  論文  参考訳（メタデータ） (2024-03-18T08:58:48Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• 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)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)

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。