DeepTree: Modeling Trees with Situated Latents

要約

タイトル：DeepTree：Situated Latentsを使用した木のモデリング

要約：

– DeepTreeは、分岐構造の発生規則を学習することに基づいて、木をモデル化するための新しい手法であり、手動で定義する必要がなくなる。
– 現在位置と木構造の場所として配置された環境データとともに、DeepTreeは、内在状態（深層ニューラルモデルの潜在空間として符号化される）によってその振る舞いが決定されるため、配置された潜在と呼ばれる。
– 我々は、チェーングラフ上の単一のノードを基礎として枝の成長を予測するために局所的に作用する潜在空間をトレーニングするニューラルネットワークパイプラインを使用する。
– 特徴のデータを用いて、新しい枝のノードを逐次的に開発することにより、根ノードから木を生成する。
– DeepTreeを使用することで、複雑なパラメータを定義する必要がなくなり、多様な木の形状を生成できる。
– 次に、DeepTreeの有効性を検証するために、木の形状に関する一連の公開メトリックに基づいて、手続き的に生成された木に対して我々の木モデルとの類似性を測定する。

要約(オリジナル)

In this paper, we propose DeepTree, a novel method for modeling trees based on learning developmental rules for branching structures instead of manually defining them. We call our deep neural model situated latent because its behavior is determined by the intrinsic state -encoded as a latent space of a deep neural model- and by the extrinsic (environmental) data that is situated as the location in the 3D space and on the tree structure. We use a neural network pipeline to train a situated latent space that allows us to locally predict branch growth only based on a single node in the branch graph of a tree model. We use this representation to progressively develop new branch nodes, thereby mimicking the growth process of trees. Starting from a root node, a tree is generated by iteratively querying the neural network on the newly added nodes resulting in the branching structure of the whole tree. Our method enables generating a wide variety of tree shapes without the need to define intricate parameters that control their growth and behavior. Furthermore, we show that the situated latents can also be used to encode the environmental response of tree models, e.g., when trees grow next to obstacles. We validate the effectiveness of our method by measuring the similarity of our tree models and by procedurally generated ones based on a number of established metrics for tree form.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI