Simple Science

La science de pointe expliquée simplement

# Informatique# Vision par ordinateur et reconnaissance des formes# Graphisme# Apprentissage automatique

Méthode innovante pour la génération de maillage 3D à partir de fonctions d'occupation

Une nouvelle technique améliore la précision et l'efficacité dans la création de maillages 3D.

Jisung Hwang, Minhyuk Sung

― 8 min lire


Maillage 3D SimplifiéMaillage 3D Simplifiéefficace.en maillages 3D précis de manièreTransforme les fonctions d'occupation
Table des matières

Ces dernières années, l'intérêt pour la création de modèles 3D à partir de différents types de données, surtout avec des réseaux neuronaux, a beaucoup augmenté. Un des moyens les plus courants pour représenter des formes en 3D, c'est via les fonctions d'occupation, qui aident à déterminer si des points dans l'espace sont à l'intérieur ou à l'extérieur d'une forme donnée. Cet article parle d'une nouvelle méthode pour convertir ces fonctions d'occupation en Maillages 3D, essentiels pour plein d'applications comme l'animation, la réalité virtuelle et l'impression 3D.

Le défi de la génération de maillages 3D

Créer un maillage 3D à partir d'une Fonction d'occupation, c'est pas toujours simple. Les méthodes traditionnelles, comme les Marching Cubes, produisent souvent des résultats qui paraissent rugueux ou avec des surfaces plates indésirables, ce qui peut gâcher l'apparence globale du modèle 3D. Ces artefacts apparaissent parce que les méthodes s'appuient beaucoup sur des hypothèses spécifiques concernant les données, qui ne sont pas toujours vraies dans la pratique.

Il existe plusieurs techniques plus récentes qui cherchent à améliorer la qualité des maillages générés. Cependant, beaucoup ont encore du mal à capturer des détails fins ou à éviter les distorsions. Ça crée un besoin pour une méthode qui peut transformer efficacement les fonctions d'occupation en maillages 3D plus précis et esthétiques.

Notre approche

On propose une nouvelle technique appelée Contournement Dual Basé sur l'Occupation (ODC). Cette méthode est conçue pour gérer les défis spécifiques des fonctions d'occupation sans avoir besoin d'apprentissage complexe par réseau neuronal ou d'optimisation, ce qui la rend plus accessible et efficace.

Caractéristiques clés

  1. Conception sans apprentissage : Notre méthode ne nécessite pas d'apprentissage sur des ensembles de données spécifiques, ce qui permet de l'utiliser directement avec diverses fonctions d'occupation.

  2. Utilisation de la parallélisation GPU : En utilisant efficacement les unités de traitement graphique modernes (GPU), notre approche accélère considérablement le temps de calcul, réalisant les opérations en seulement quelques secondes.

  3. Sortie de haute fidélité : Des tests ont montré que notre méthode produit des résultats avec beaucoup plus de précision par rapport aux techniques existantes, garantissant que les détails fins du maillage sont préservés.

Les bases des représentations 3D

Dans les graphismes 3D, les formes peuvent être représentées de différentes manières. Un format courant est le maillage, qui se compose de sommets, d'arêtes et de faces. Lorsqu'on travaille avec des réseaux neuronaux, les fonctions d'occupation sont souvent utilisées. Ces fonctions nous indiquent si un point dans l'espace est à l'intérieur ou à l'extérieur d'une forme, généralement représentée par des valeurs de 0 ou 1.

Cependant, convertir ces fonctions en maillages présente des défis uniques. Le principal problème est de s'assurer que le maillage résultant représente fidèlement la forme originale sans introduire d'artefacts ou d'inexactitudes.

Comparaison avec les méthodes existantes

Avant de plonger dans notre technique, il est important de comprendre comment elle se positionne par rapport aux méthodes traditionnelles comme les Marching Cubes et ses successeurs. Les Marching Cubes sont bien connus pour leur simplicité et leur efficacité, mais échouent souvent à produire des maillages de haute fidélité, surtout pour des formes complexes. Des variantes comme les Marching Cubes Étendus et le Contournement Dual ont amélioré ces limitations mais continuent à avoir des difficultés à générer des caractéristiques nettes et des représentations de surface précises.

Notre méthode vise à s'appuyer sur ces concepts tout en abordant leurs lacunes. En tirant parti des propriétés uniques des fonctions d'occupation, on peut obtenir de meilleurs résultats en fidélité des maillages et en efficacité computationnelle.

Contributions techniques

1. Amélioration des algorithmes de recherche de points

Une des avancées principales dans ODC est le développement d'algorithmes pour rechercher des points clés dans les données d'occupation.

Identification de points 1D

Au lieu d'utiliser des recherches linéaires simples, on utilise une technique de recherche binaire, qui est plus rapide et plus efficace pour localiser des points à la surface de la forme.

Identification de points 2D

Ensuite, on identifie des points supplémentaires qui aident à définir la forme de la surface plus précisément. Ces points sont déterminés en examinant des paires de points 1D, ce qui aide à assurer que le maillage généré est lisse et reflète avec précision la forme originale.

2. Définition des points 3D

L'identification des points 3D est cruciale pour former le maillage. Notre méthode calcule ces points en utilisant les informations recueillies à partir des points 1D et 2D. Cette approche double permet une définition plus nuancée de la surface du maillage, capturant des caractéristiques nettes que d'autres méthodes pourraient manquer.

3. Technique de polygonisation

Une fois les points nécessaires définis, l'étape finale est de les connecter en un maillage. On a incorporé des techniques qui assurent que le maillage résultant est non seulement manifold (c'est-à-dire qu'il ne contient pas d'Auto-intersections), mais aussi visuellement attrayant en réduisant les artefacts qui affectent souvent d'autres méthodes.

Résultats expérimentaux

Pour évaluer l'efficacité de notre approche, on a réalisé de nombreux tests avec divers types de fonctions d'occupation.

1. Ensembles de données de test

On a testé notre méthode en utilisant différents modèles 3D génératifs, y compris ceux formés sur des ensembles de données populaires comme ShapeNet. En tout, on a évalué notre méthode sur des centaines de formes générées pour garantir sa fiabilité.

2. Métriques de qualité

La qualité des maillages générés a été évaluée en utilisant plusieurs métriques :

  • Fidélité du maillage : à quel point le maillage 3D correspond à la forme originale.
  • Auto-intersections : instances où le maillage s'intersecte lui-même, ce qui peut compliquer le rendu et la manipulation.
  • Manifoldness : une mesure de savoir si le maillage est exempt d'erreurs topologiques.

3. Comparaison avec des bases de référence

Dans nos tests, ODC a largement surpassé les méthodes traditionnelles. On a observé qu'il produisait systématiquement des maillages avec moins d'artefacts et une meilleure fidélité aux formes originales. Alors que des méthodes comme les Marching Cubes montraient plusieurs erreurs ou distorsions, notre approche maintenait un haut niveau de précision sur toutes les formes testées.

Applications pratiques de l'ODC

Étant donné son efficacité et sa précision, l'ODC peut être appliquée dans divers domaines :

1. Conception de jeux

Dans le jeu vidéo, des graphismes réalistes sont essentiels. L'ODC peut permettre aux développeurs de créer rapidement des environnements et des modèles de personnages détaillés.

2. Réalité virtuelle et augmentée

Pour les applications de réalité virtuelle et augmentée, des modèles 3D précis améliorent l'expérience utilisateur. La capacité de l'ODC à générer des maillages de haute fidélité peut grandement améliorer le réalisme de ces applications.

3. Impression 3D

Dans l'impression 3D, la précision du modèle est cruciale pour s'assurer que le produit final correspond à la conception prévue. L'ODC peut être utilisé pour préparer des modèles pour l'impression, minimisant les erreurs et garantissant de meilleurs résultats.

Futurs travaux

Bien que l'ODC marque une avancée significative dans le domaine de la génération de maillages à partir de fonctions d'occupation, il y a encore place à amélioration. De futures recherches pourraient explorer des résolutions adaptatives pour améliorer encore la qualité des maillages sans sacrifier les performances. De plus, aborder l'ambiguïté topologique pourrait conduire à des solutions encore plus robustes.

Conclusion

Le développement du Contournement Dual Basé sur l'Occupation présente un nouveau chemin pour générer des maillages 3D de haute fidélité à partir de fonctions d'occupation. En abordant les limitations des méthodes existantes et en tirant parti des forces des techniques computationnelles modernes, notre approche offre des améliorations significatives tant en précision qu'en efficacité. À mesure que la modélisation 3D continue d'évoluer, des techniques comme l'ODC joueront un rôle essentiel dans la création de contenu numérique.

Source originale

Titre: Occupancy-Based Dual Contouring

Résumé: We introduce a dual contouring method that provides state-of-the-art performance for occupancy functions while achieving computation times of a few seconds. Our method is learning-free and carefully designed to maximize the use of GPU parallelization. The recent surge of implicit neural representations has led to significant attention to occupancy fields, resulting in a wide range of 3D reconstruction and generation methods based on them. However, the outputs of such methods have been underestimated due to the bottleneck in converting the resulting occupancy function to a mesh. Marching Cubes tends to produce staircase-like artifacts, and most subsequent works focusing on exploiting signed distance functions as input also yield suboptimal results for occupancy functions. Based on Manifold Dual Contouring (MDC), we propose Occupancy-Based Dual Contouring (ODC), which mainly modifies the computation of grid edge points (1D points) and grid cell points (3D points) to not use any distance information. We introduce auxiliary 2D points that are used to compute local surface normals along with the 1D points, helping identify 3D points via the quadric error function. To search the 1D, 2D, and 3D points, we develop fast algorithms that are parallelizable across all grid edges, faces, and cells. Our experiments with several 3D neural generative models and a 3D mesh dataset demonstrate that our method achieves the best fidelity compared to prior works.

Auteurs: Jisung Hwang, Minhyuk Sung

Dernière mise à jour: 2024-09-20 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2409.13418

Source PDF: https://arxiv.org/pdf/2409.13418

Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires