.png){kind=icon}
返回
Volume Preserving Neural Shape Morphing
.png){kind=icon}
PRE
AI
DOI：10.1111/cgf.70196.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
形状插值是几何处理中的一个长期挑战。由于其不适定性，形状插值方法总是在某些假设下工作，例如语义部件匹配或最小位移。在这些约束中，体积保持是传统动画原理之一。在本文中，我们提出了一种在任意姿态下对形状进行插值的方法，该方法倾向于保持体积和拓扑结构。为此，我们采用形状的水平集表示及其通过水平集方程由速度场进行平流，形状表示和速度场均被参数化为神经网络。虽然无散度速度场能确保体积和拓扑结构的保持，但它们与符号距离函数的Eikonal约束不兼容。这促使我们引入自适应散度速度场的概念，这是一种与Eikonal方程兼容且在形状体积保持方面具有理论保证的构造。在非恒定体积设置下，我们的方法仍然有助于提供自然的变形，通过结合对体积随时间变化的参数化。实验表明，我们的方法在体积保持方面优于其他最新方法，限制拓扑变化，且在不依赖标志点对应关系的情况下更好地保持形状结构。
Keyword:
CCS Concepts
• Mathematics of computing → Partial differential equations
• Computing methodologies → Parametric curve and surface models
Neural networks
期刊
IF:
2.9
论文数:
570
被引数:
1.1W
.png){kind=icon}
没有更多内容