PoNQ: a Neural QEM-based Mesh Representation

要約

ポリゴン メッシュはジオメトリ処理における標準的な表現ですが、その不規則で組み合わせ的な性質により、学習ベースのアプリケーションへの適合性が妨げられています。
この研究では、一連のローカル 3D サンプル ポイントと、それらに関連する法線および二次エラー メトリクス (QEM) を介して、新しい学習可能なメッシュ表現を導入します。
基本的な形状。これを PoNQ と呼びます。
グローバル メッシュは、ローカル 2 次誤差の知識を効率的に活用することにより、PoNQ から直接導出されます。
ニューラル形状表現内での QEM の最初の使用をマークすることに加えて、私たちの貢献は、PoNQ メッシュが自己交差せず、常にボリュームの境界であることを保証することにより、トポロジー特性と幾何学的特性の両方を保証します。
特に、私たちの表現は通常のグリッドに依存せず、ターゲット サーフェスのみによって直接監視され、境界や鋭い特徴を持つ開いたサーフェスも処理します。
我々は、SDF グリッドからの学習ベースのメッシュ予測を通じて PoNQ の有効性を実証し、我々の方法がサーフェスベースとエッジベースのメトリクスの両方の点で最近の最先端技術を上回ることを示します。

要約(オリジナル)

Although polygon meshes have been a standard representation in geometry processing, their irregular and combinatorial nature hinders their suitability for learning-based applications. In this work, we introduce a novel learnable mesh representation through a set of local 3D sample Points and their associated Normals and Quadric error metrics (QEM) w.r.t. the underlying shape, which we denote PoNQ. A global mesh is directly derived from PoNQ by efficiently leveraging the knowledge of the local quadric errors. Besides marking the first use of QEM within a neural shape representation, our contribution guarantees both topological and geometrical properties by ensuring that a PoNQ mesh does not self-intersect and is always the boundary of a volume. Notably, our representation does not rely on a regular grid, is supervised directly by the target surface alone, and also handles open surfaces with boundaries and/or sharp features. We demonstrate the efficacy of PoNQ through a learning-based mesh prediction from SDF grids and show that our method surpasses recent state-of-the-art techniques in terms of both surface and edge-based metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google