.png){kind=icon}
返回
As-Rigid-As-Possible Regularization for Implicit Surfaces
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70519.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
隐式曲面表示因在机器学习中的应用而重新受到关注。优化中的一个常见组件是正则化，它惩罚曲面与其原始形状的偏差。流行的“尽可能刚体”（Arap）能量在真实的变形行为和高效计算之间取得了良好的平衡，至少对于分段线性网格而言。我们提出了一种基于曲面点采样的变形函数Arap能量计算方法。利用隐式表示为每个样本提供微分。评估在每个样本中高效且精确（在数值精度范围内）。我们在多个应用中展示了该方法在神经形状处理中的普遍适用性，并将其特性与文献中的替代方法进行了对比。
Keyword:
CCS Concepts
• Computing methodologies → Shape modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
562
被引数:
1.1W
机构
引用论文
Selvaraju, P., 2024. Developability approximation for neural implicits through rank minimization, in: 2024 International Conference on 3D Vision (3DV), IEEE. pp. 780–789.Selvaraju, P., 2024. 通过秩最小化实现神经隐式表示的可开发性近似，载于：2024 国际三维视觉会议（3DV），IEEE。第 780-789 页。.png)
IF0
PREAI
分享收藏Piecewise Developable Modeling via Implicit Neural Deformation and Feature-Guided Cutting通过隐式神经变形和特征引导切割的分段可展建模
PREAI
分享收藏分享收藏
查看更多内容