本論文では、3D形状生成において、共通の構造を微分可能なテンプレートとそれに対応する固定長の パラメータを用いてパラメータ化する方法を提案する。この手法は、従来の階層的なアノテーションや複雑なネットワークを用いる方法とは異なり、シンプルかつ効果的に形状を表現、再構成、生成することができる。
従来の3D形状生成手法は、オブジェクトの表面やメッシュを直接生成することに焦点を当てており、構造的な意味情報や操作の容易さを考慮していなかった。
最近の研究では、階層構造やプログラムベースの手法を用いて、形状を立方体(パーツやボックスとも呼ばれる)の形式で表現することで、構造的な表現を実現している。
しかし、これらの手法は、階層的なアノテーションを必要としたり、構成要素間の関係性の制約が不足しており、複雑なニューラルネットワークが必要となったり、生成される形状が不自然なものになる可能性があった。
さらに、これらの手法は、立方体の内部の詳細な形状表現にはあまり注意を払っていなかった。
ボクセルを用いた詳細表現は、ストレージや計算量が多く、点群を用いた表現は、メッシュの生成が困難であった。
本論文では、同一カテゴリのオブジェクトは類似した構造を共有しているという観察に基づき、構造情報を活用してオブジェクトとそのパーツの詳細を表現する手法を提案する。
具体的には、各カテゴリに対して、共通の構造を持つ微分可能なテンプレートを設計し、そのテンプレートに基づいて形状をパラメータ化する。
このテンプレートは、カテゴリの立方体の制約と関係性を記録した設定に従って定義され、具体的なパラメータから立方体の組み合わせとして表現される形状までの微分可能な計算プロセスを記述する計算グラフを用いて実装される。
さらに、各立方体の内部の詳細な形状を表現するために、点群から直接取得でき、ニューラルネットワークで学習や生成が容易な、三面図の境界線を利用する。
オブジェクトは、パラメータと立方体内の三面図の詳細によって表現され、SDFを計算することで容易に復元することができる。
固定長パラメータと三面図の詳細を用いることで、再構成や生成のためのネットワークは、MLPsのみを用いたシンプルかつ効果的なものとなり、潜在空間を容易に学習することができる。
また、パラメータは微分可能なテンプレートを用いて教師なしで最適化することができ、データセットの作成に役立つ。
データセットは、点群とそれに対応する手動でアノテーションされたパラメータで構成され、点群からパラメータを予測し、新しい形状を生成するニューラルネットワークの学習に用いられる。
構造化された潜在空間により、2つのオブジェクト間の形状を補間することも可能となる。
提案手法の有効性を検証するために、ShapeAssembly[4]と比較し、点群からの形状再構成において、提案手法はより優れた性能を示した。
また、複雑な形状を点群から正確に再構成することができ、各立方体の詳細な形状も正確に表現することができた。
さらに、生成された形状は、妥当な数の部品と明確な関係性を持ち、簡潔で複雑な形状を持つことが確認された。
補間結果においても、滑らかな形状変化が確認され、提案手法のパラメータが形状を適切に表現していることが示された。
本論文では、微分可能なテンプレートを用いて構造をパラメータ化する方法を提案した。
この手法は、カテゴリの共有構造から立方体の関係を決定し、固定長パラメータから微分可能なテンプレートを用いて立方体を生成する。
詳細な形状は、立方体の三面図の境界線で表現される。
オブジェクトの形状は、提案された手法によって、パラメータと詳細から計算されたSDFから復元される。
提案された表現手法により、シンプルだが効率的なネットワークを用いて、形状を再構成および生成することができる。
再構成の結果は、提案された方法の表現能力を示している。
構造化された潜在空間により、我々の方法は、多様で合理的なモデルを生成することができます。
質的および量的な比較から、提案手法の有効性と優位性が示された。
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Changfeng Ma... lúc arxiv.org 10-15-2024
https://arxiv.org/pdf/2410.10399.pdfYêu cầu sâu hơn