Surf-D ist ein neuartiger Ansatz zur Erzeugung hochqualitativer 3D-Formen als Oberflächen mit beliebigen Topologien unter Verwendung von Diffusionsmodellen. Im Gegensatz zu früheren Methoden, die verschiedene Darstellungen wie Punktwolken, Voxel-Repräsentationen und Vorzeichendistanzfelder (SDF) verwendeten, nutzt Surf-D Unsigned Distance Fields (UDF) als Oberflächendarstellung, um beliebige Topologien zu berücksichtigen.
Surf-D verwendet einen punktbasierten AutoEncoder, um einen kompakten und kontinuierlichen Latenzraum zum genauen Codieren von UDFs und zur Unterstützung der Extraktion hochauflösender Meshes zu lernen. Dieser Ansatz überwindet die Einschränkungen früherer Methoden, die auf diskrete 3D-Gitter zur Approximation von Distanzfeldern zurückgreifen.
Um die Oberflächenlernung zu verbessern, implementiert Surf-D eine Curriculum-Lernstrategie, bei der die Modelle schrittweise von einfachen zu komplexen Formen trainiert werden. Darüber hinaus verwendet Surf-D einen Latenz-Diffusions-Ansatz, um die Verteilung verschiedener Formen zu erfassen.
Umfangreiche Experimente zeigen, dass Surf-D in verschiedenen Aufgaben zur Formgenerierung, einschließlich ungesteuerter Generierung, kategoriegesteuerter Generierung, skizzengesteuerter Formgenerierung, Einzelansicht-Rekonstruktion und textgesteuerter Formgenerierung, hervorragende Leistung erbringt.
Para Outro Idioma
do conteúdo original
arxiv.org
Principais Insights Extraídos De
by Zhen... às arxiv.org 03-26-2024
https://arxiv.org/pdf/2311.17050.pdfPerguntas Mais Profundas