Learning Implicit Fields for Generative Shape Modeling

2019· article· en· 1 475 citations· W2962849139 sur OpenAlex· 10.1109/cvpr.2019.00609

Pourquoi ce travail est-il dans la base ?

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

Affiliation canadienneUne personne signataire a déclaré un établissement canadien. C'est la seule voie dont dispose la base habituelle.

Scores machine (provisoires)

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Tête enseignante Opus0,015

Tête enseignante GPT0,229

Écart entre enseignants: 0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation: score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Résumé

We advocate the use of implicit fields for learning generative models of shapes and introduce an implicit field decoder, called IM-NET, for shape generation, aimed at improving the visual quality of the generated shapes. An implicit field assigns a value to each point in 3D space, so that a shape can be extracted as an iso-surface. IM-NET is trained to perform this assignment by means of a binary classifier. Specifically, it takes a point coordinate, along with a feature vector encoding a shape, and outputs a value which indicates whether the point is outside the shape or not. By replacing conventional decoders by our implicit decoder for representation learning (via IM-AE) and shape generation (via IM-GAN), we demonstrate superior results for tasks such as generative shape modeling, interpolation, and single-view 3D reconstruction, particularly in terms of visual quality. Code and supplementary material are available at https://github.com/czq142857/implicit-decoder.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

La notice

Revue
Thématique: 3D Shape Modeling and Analysis
Domaine: Engineering
Établissements canadiens: Simon Fraser University
Organismes subventionnaires: —
Mots-clés: Computer scienceGenerative grammarInterpolation (computer graphics)Encoding (memory)Artificial intelligenceBinary numberActive shape modelPoint (geometry)Representation (politics)Classifier (UML)Generative modelAlgorithmShape analysis (program analysis)Feature vectorField (mathematics)Pattern recognition (psychology)Computer visionMathematicsGeometryStatic analysisImage (mathematics)
Résumé présent dans OpenAlex: oui
API: /api/v1/works/W2962849139