Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes

要約

この論文では、DisentangledTopologyを介した3Dメッシュの再構築と生成のためのDTNetと呼ばれる新しいフレームワークを紹介します。
以前の作業に加えて、各入力に固有のトポロジ対応ニューラルテンプレートを学習し、学習したトポロジを保持しながら、テンプレートを変形して詳細なメッシュを再構築します。
重要な洞察の1つは、複雑なメッシュの再構築を2つのサブタスク（トポロジの定式化と形状の変形）に分離することです。
デカップリングのおかげで、DT-Netは、潜在空間のトポロジーと形状の解きほぐされた表現を暗黙的に学習します。
したがって、以前の再構築作業では達成できなかった、さまざまな形状生成アプリケーションをサポートするための新しい解きほぐされたコントロールを有効にすることができます。たとえば、3Dオブジェクトのトポロジをリミックスできます。
広範な実験結果は、最先端の方法と比較して、私たちの方法が、特に多様なトポロジーで高品質のメッシュを生成できることを示しています。

要約(オリジナル)

This paper introduces a novel framework called DTNet for 3D mesh reconstruction and generation via Disentangled Topology. Beyond previous works, we learn a topology-aware neural template specific to each input then deform the template to reconstruct a detailed mesh while preserving the learned topology. One key insight is to decouple the complex mesh reconstruction into two sub-tasks: topology formulation and shape deformation. Thanks to the decoupling, DT-Net implicitly learns a disentangled representation for the topology and shape in the latent space. Hence, it can enable novel disentangled controls for supporting various shape generation applications, e.g., remix the topologies of 3D objects, that are not achievable by previous reconstruction works. Extensive experimental results demonstrate that our method is able to produce high-quality meshes, particularly with diverse topologies, as compared with the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google