Neural ShDF: Reviving an Efficient and Consistent Mesh Segmentation Method

要約

ポリゴン メッシュを意味のある部分に分割するのは困難な場合があります。
多くのアプリケーションでは、コンピューター グラフィックスでさらに処理するために、このような構造を分解する必要があります。
過去 10 年間に、集中的な計算時間を犠牲にして、この問題に取り組むいくつかの方法が提案されました。
最近、機械学習が 3D 構造のセグメンテーション タスクに効果的であることが証明されました。
それにもかかわらず、これらの最先端の方法は多くの場合、一般化が困難であり、過学習を避けるために学習されたモデルをオブジェクトのいくつかの特定のクラスに分割する必要があります。
複数のアプリケーションのメッシュ セグメンテーションの前に、ディープ ラーニングを活用してマッピング関数をエンコードするデータ駆動型のアプローチを紹介します。
私たちのネットワークは、頂点近傍間の類似性を使用する \textsl{形状直径関数} (SDF) メソッドの知識を使用して近傍マップを再現します。
私たちのアプローチは、入力メッシュをダウンサンプリングし、近傍の寄与のみを求めてフル解像度の構造をクエリするため、解像度に依存しません。
予測された SDF 値を使用すると、結果の構造をグラフカット アルゴリズムに注入して、必要な計算時間を大幅に削減しながら、効率的で堅牢なメッシュ セグメンテーションを生成できます。

要約(オリジナル)

Partitioning a polygonal mesh into meaningful parts can be challenging. Many applications require decomposing such structures for further processing in computer graphics. In the last decade, several methods were proposed to tackle this problem, at the cost of intensive computational times. Recently, machine learning has proven to be effective for the segmentation task on 3D structures. Nevertheless, these state-of-the-art methods are often hardly generalizable and require dividing the learned model into several specific classes of objects to avoid overfitting. We present a data-driven approach leveraging deep learning to encode a mapping function prior to mesh segmentation for multiple applications. Our network reproduces a neighborhood map using our knowledge of the \textsl{Shape Diameter Function} (SDF) method using similarities among vertex neighborhoods. Our approach is resolution-agnostic as we downsample the input meshes and query the full-resolution structure solely for neighborhood contributions. Using our predicted SDF values, we can inject the resulting structure into a graph-cut algorithm to generate an efficient and robust mesh segmentation while considerably reducing the required computation times.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google