論文の概要: OctMesh: A Unified Octree-Hierarchical Framework for Lossless Triangle Mesh Compression

• arxiv url: http://arxiv.org/abs/2610.04281v1
• Date: Sat, 03 Oct 2026 04:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 11:58:16.475231
• Title: OctMesh: A Unified Octree-Hierarchical Framework for Lossless Triangle Mesh Compression
• Title（参考訳）: OctMesh: ロスレストライアングルメッシュ圧縮のための統一されたOctree-Hierarchical Framework
• Abstract要約: OctMeshは、共有オクツリー階層上でジオメトリとコネクティビティをコーディングする学習フレームワークである。 主な観察は、オクツリープールは1人または2人から8人の子供を持つ親を産むことである。 グラフ対応親特徴抽出器は、局所幾何学、親接続性、大域形状を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 15.088447782566531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lossless triangle mesh compression must preserve both vertex positions and connectivity. Octrees support learned point cloud geometry coding and progressive refinement, but extending them to meshes requires a compatible connectivity representation. Unlike the eight occupancy decisions of a voxel, a parent edge can develop into varied child connections, making edge refinement difficult to model with a compact prediction prior. We propose OctMesh, a learned framework that codes geometry and connectivity on a shared octree hierarchy. Its key observation is that octree pooling produces parents with either one child or two to eight children. Child edges are then grouped by their endpoint parents' types and whether the endpoints share a parent. Each candidate group contains children from just one parent or two connected parents. The resulting four categories define small, fixed-shape prediction tasks: connections uniquely determined by the parent graph are inherited without bits, while three neural predictors estimate probabilities for the remaining candidates. These probabilities guide arithmetic coding of the actual edge symbols. Binarized predictions of within-parent connections provide context for predicting connections between different parents. A graph-aware parent feature extractor combines local geometry, parent connectivity and global shape. The connectivity models use dedicated weights at coarse levels and share weights at fine levels. Residual edges and a finest-level face-selection payload complete the reconstruction. On 256 frames from eight MPEG V-DMC test sequences, OctMesh losslessly recovers the finest-level vertex-coordinate, edge and unoriented face sets at an average of 7.033 bits per face, 12.8% below V-Mesh. The same hierarchical representation supports nine levels of progressive vertex-and-edge refinement.
• Abstract（参考訳）: 損失のない三角形メッシュ圧縮は頂点位置と接続性の両方を保持する必要がある。 Octreesは学習ポイントクラウドのジオメトリコーディングとプログレッシブリファインメントをサポートするが、それらをメッシュに拡張するには互換性のある接続表現が必要である。 ボクセルの8つの占有決定とは異なり、親エッジは様々な子接続に発展し、前もってコンパクトな予測でエッジの洗練をモデル化することが困難になる。 共有オクツリー階層上で幾何学と接続性をコードする学習フレームワークであるOctoMeshを提案する。 主な観察は、オクツリープールは1人または2人から8人の子供を持つ親を産むことである。 子エッジは、エンドポイント親のタイプとエンドポイントが親を共有するかどうかによってグループ化される。 それぞれのグループには、たった1人の親または2人の親の子供が含まれている。 親グラフによって一意に決定された接続はビットなしで継承され、3つのニューラル予測器は残りの候補の確率を推定する。 これらの確率は、実際のエッジシンボルの算術的符号化を導く。 親内接続のバイナリ化予測は、異なる親間の接続を予測するコンテキストを提供する。 グラフ対応親特徴抽出器は、局所幾何学、親接続性、大域形状を組み合わせたものである。 接続モデルは粗いレベルで専用の重量を使い、細かいレベルで重量を共有する。 残差エッジと最高レベルの顔選択ペイロードが復元を完了します。 8つのMPEG V-DMCテストシーケンスの256フレームでは、OctoMeshは、V-Meshより12.8%低い平均7.033ビットで、最高レベルの頂点座標、エッジおよび非指向の顔セットを無傷で復元する。 同じ階層表現は、プログレッシブ頂点とエッジの洗練の9つのレベルをサポートする。

関連論文リスト

• ICE: Task-Aligned Clifford Latent Fields for Multimodal Graph Foundation Models [37.927624558881035]
  ICE(Interaction-aware Clifford)は、ノードインデックスのCliffordフィールド上に構築されたグラフ基盤モデルである。 トポロジー、テキスト、画像は観察された近傍のCl(3)アドレスを明示的に入力する。 保護されたグレード1ルートはエンティティのセマンティクスを保持し、フルグレードとディープバンクは、新しいノードとリンクヘッドで利用可能である。 実験は、11のグラフ、6つのノード分類データセット、3つのリンク予測データセット、および数ショットタスクにマッチする1つの共有基盤にまたがる。
  論文  参考訳（メタデータ） (2026-09-24T11:24:08Z)
• Hyper-Fold: Exploring the Expressive Limit of Sequence-Geometry Learning for Proteins via Hypergraph Modeling [55.36837305276515]
  コンテント幾何学的外積に対する完全双線型作用素、すなわち2階の相互作用の十分統計は、表現的天井であることを示す。 次に、メッセージパッシングコストで天井に近づく、ランク-K分離可能な畳み込みバックボーンであるHyper-Foldを紹介します。
  論文  参考訳（メタデータ） (2026-08-29T11:43:25Z)
• 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)
• Finding Belief Geometries with Sparse Autoencoders [0.0]
  本稿では,変圧器表現における単純な部分空間の候補を求めるパイプラインを提案する。 隠れマルコフモデルを用いて学習した変圧器上でのパイプラインの検証を行った。 真の信念のような幾何学がGemma-2-9Bの表現空間に存在するという予備的な証拠がある。
  論文  参考訳（メタデータ） (2026-04-03T03:29:48Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
  3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。 我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。 我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-23T03:32:57Z)
• Exploring Edge Disentanglement for Node Classification [34.81248024048974]
  実世界のグラフのエッジは、典型的には様々な要因によって形成され、多様な関係意味論を持つ。 本稿では,3つの前提条件を提案し,それに対応する3つのタスクを設計する。 DisGNNは、さまざまなニューラルネットワークに簡単に組み込むことができ、現実世界のデータセットで6ドル(約6,300円)で実験を行います。
  論文  参考訳（メタデータ） (2022-02-23T00:31:37Z)
• PC2WF: 3D Wireframe Reconstruction from Raw Point Clouds [29.528059021509115]
  PC2WFは、3Dポイントクラウドをワイヤフレームモデルに変換する最初のエンドツーエンドのディープネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2021-03-04T00:18:06Z)
• DualConvMesh-Net: Joint Geodesic and Euclidean Convolutions on 3D Meshes [28.571946680616765]
  本稿では3次元幾何データよりも深い階層的畳み込みネットワークのファミリーを提案する。 最初の型である測地的畳み込みは、メッシュ表面またはグラフ上のカーネルウェイトを定義する。 第2のタイプであるユークリッドの畳み込みは、基盤となるメッシュ構造とは独立である。
  論文  参考訳（メタデータ） (2020-04-02T13:52:00Z)

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。