Simple Science

Ciência de ponta explicada de forma simples

# Informática# Visão computacional e reconhecimento de padrões

Revolucionando a Criação de Formas 3D com Esboços em VR

Usando esboços em VR pra facilitar a criação de modelos 3D pra todo mundo.

― 9 min ler


VR TransformandoVR TransformandoModelagem 3Dinovadores em VR.Simplificando a criação 3D com esboços
Índice

Modelar formas em 3D pode ser bem trabalhoso e geralmente exige anos de experiência. Os métodos tradicionais de criar Formas 3D com desenhos detalhados podem ser complicados e demorados. Recentemente, pesquisadores têm explorado o uso de Esboços 2D e textos como pontos de partida para criar modelos 3D. Mas essas abordagens também têm seus problemas. As descrições em texto costumam ser muito vagas e não capturam os detalhes necessários para designs precisos. Por outro lado, os esboços 2D podem ser confusos e precisam de muita prática para mostrar formas complexas de maneira eficaz.

Uma nova abordagem envolve o uso de esboços em realidade virtual (VR). Isso permite que os usuários façam esboços diretamente em um espaço 3D. Nosso objetivo é ajudar pessoas sem treinamento em arte a gerar formas 3D realistas a partir desses esboços. Nós reconhecemos que esses esboços em 3D podem não ser perfeitos. Por isso, focamos em produzir várias formas possíveis que se encaixem no contorno do esboço original.

Um grande desafio que enfrentamos é a quantidade limitada de Dados de Treinamento disponíveis para essa tarefa. Para resolver isso, projetamos cuidadosamente nossos métodos para treinar o modelo gradualmente e usamos várias maneiras de representar formas 3D.

A Necessidade de Ferramentas Eficazes para Modelagem 3D

À medida que a demanda por ferramentas que facilitem a criação de conteúdo 3D cresce, várias indústrias, como arquitetura e cinema, estão cada vez mais dependendo de modelos 3D. Embora alguns trabalhos recentes tenham demonstrado como usar texto e imagens para gerar modelos 3D, eles ainda ficam devendo em comparação com o detalhe e a clareza que um esboço 2D pode oferecer. Enquanto muitos métodos focam em usar esboços 2D como uma ferramenta para modelagem, isso ainda pode ser um desafio para quem não tem habilidade artística suficiente.

À medida que a tecnologia de VR evolui, mais projetos estão começando a utilizar esboços em 3D feitos em um ambiente VR. Ao criar em 3D diretamente, esses esboços tendem a ser menos ambíguos, permitindo resultados melhores. Métodos anteriores de modelagem 3D muitas vezes exigiam entradas polidas e eram mais focados na usabilidade durante o processo de esboço.

Nossa técnica proposta permite que qualquer pessoa crie modelos 3D usando esboços rápidos em VR, mesmo que não seja artista treinado. Esses esboços são mais fáceis de produzir e são ideais para as etapas iniciais de criação de ideias de formas 3D. Dado que a entrada em VR pode não ser muito detalhada, nosso objetivo é produzir múltiplas variações de formas 3D que ainda mantenham a estrutura básica do esboço original.

Representação de Esboços e Geração de Formas

Para alcançar nosso objetivo, precisamos representar esboços como nuvens de pontos e simplificar o processo de reconstrução de formas 3D. Como os conjuntos de dados de treinamento são pequenos e imperfeitos, começamos o treinamento do nosso modelo com um auto-encoder. Um auto-encoder é uma rede neural que aprende a comprimir dados em uma forma simplificada e depois os reconstrói na sua forma original.

Ao trabalhar com esboços, primeiro treinamos um auto-decodificador de formas. Esse decodificador aprende a transformar características de formas 3D em funções de distância assinada (SDFs), que nos ajudam a entender a forma dos nossos modelos 3D. Uma vez que essa etapa está completa, usamos uma variedade de perdas durante o treinamento para garantir que nosso modelo represente corretamente os esboços. Essas perdas ajudam a guiar o modelo e melhorar a precisão ao longo do tempo.

Em nosso método, também nos concentramos em gerar múltiplas formas 3D a partir de um único esboço. Utilizamos um modelo de fluxo normalizador condicional que captura a diversidade nas características das formas. Isso permite que nosso modelo produza um grupo de formas 3D que compartilham semelhanças com o esboço original. Cada forma gerada pode variar em detalhes, como se tem uma seção oca ou se é totalmente sólida.

Desafios no Uso de Esboços em VR

Criar formas 3D a partir de esboços em VR não é isento de desafios. Um dos maiores problemas é a disponibilidade limitada de conjuntos de dados que incluam esboços e os modelos 3D correspondentes. Os conjuntos de dados existentes muitas vezes não se alinham perfeitamente, o que pode levar a imprecisões no processo de reconstrução.

Além disso, os próprios esboços podem ser imprecisos ou abstratos. Isso significa que não basta gerar apenas uma forma 3D a partir de um esboço; precisamos gerar várias opções que ainda respeitem a forma de entrada. Os esboços costumam consistir em contornos simples que podem ser interpretados de várias maneiras. Por exemplo, um esboço que representa um cubo pode ser entendido como um conjunto de barras finas ou como um bloco sólido.

Para enfrentar esses desafios, desenvolvemos um método que usa uma abordagem passo a passo para treinar nosso sistema de modelagem. Ao focar em manter uma conexão entre os esboços e as formas 3D, podemos gerar resultados de maior qualidade. Representamos nossos esboços como nuvens de pontos, facilitando a ligação deles com as formas 3D correspondentes.

Estratégias de Treinamento e Alinhamento de Dados

Para treinar nosso modelo de forma eficaz, precisamos lidar com o tamanho limitado do nosso conjunto de dados. Portanto, usamos várias estratégias para melhorar o desempenho, como pré-treinar o modelo apenas com formas 3D antes de introduzir os esboços. Isso nos permite criar uma base robusta antes de introduzir as complexidades dos esboços.

Ao lidar com esboços em VR, garantimos que nosso modelo consiga interpretar os contornos esparsos e produzir múltiplos resultados que ainda reflitam o esboço inicial. Ao utilizar um modelo de fluxo normalizador, podemos condicionar nossa geração de formas ao esboço em VR e obter melhores resultados.

O alinhamento de dados também é importante. Garantimos que os esboços em nosso conjunto de dados tenham uma orientação consistente em relação às formas 3D de referência, mesmo que não estejam perfeitamente alinhados. Normalizamos os esboços para que se encaixem em uma caixa delimitadora padronizada, ajudando a melhorar a qualidade geral das formas de saída.

Métricas de Avaliação para Fidelidade de Forma

Para avaliar a qualidade das formas geradas, usamos várias métricas de avaliação. Um método comum é chamado de distância chamfer bidirecional. Essa métrica nos ajuda a medir quão perto a forma gerada se alinha tanto ao esboço de entrada quanto ao modelo de referência original.

Também avaliamos a precisão do nosso auto-encoder. Isso nos permite comparar as formas reconstruídas com as formas reais originais. Ao avaliar nossos modelos, é essencial garantir que as formas geradas estejam alinhadas de perto com o esboço de entrada, refletindo dimensões e proporções precisas.

A pontuação de fidelidade mede quão precisamente as formas geradas a partir dos esboços representam a forma 3D original. Para os esboços que podem não se alinhar perfeitamente, ainda esperamos que as formas reconstruídas estejam razoavelmente próximas das referências.

Resultados e Descobertas

Em nossos experimentos, descobrimos que nosso método gera efetivamente múltiplas formas 3D com base em um único esboço em VR. A fidelidade dos resultados varia dependendo da qualidade do esboço de entrada. Nosso método consegue produzir formas que mantêm a estrutura geral, enquanto introduz variações em detalhes de design, como diferentes estilos de encosto.

Por meio do uso de recursos visuais, demonstramos a eficácia do nosso método comparando os esboços originais com as formas geradas. Os resultados mostram que o uso de esboços em VR permite mais flexibilidade e criatividade na modelagem 3D.

Também medimos a diversidade das formas geradas para garantir que uma ampla gama de opções esteja disponível para os usuários. Os resultados indicam que nosso método não apenas fornece reconstruções precisas, mas também permite a exploração de designs variados que correspondem aos esboços de entrada.

Conclusões e Trabalho Futuro

Em conclusão, nossa pesquisa destaca o potencial do uso de esboços em VR como uma nova maneira de criar e explorar formas 3D. Ao permitir que os usuários façam esboços rápidos em um espaço 3D, podemos oferecer uma experiência de modelagem mais intuitiva que é acessível a quem não tem treinamento artístico.

Embora tenhamos feito avanços significativos no desenvolvimento dessa abordagem, ainda há espaço para melhorias. Trabalhos futuros podem se concentrar em refinar a fidelidade dos esboços de entrada e melhorar o alinhamento entre esboços e modelos 3D.

Nosso objetivo é adaptar representações alternativas de formas e expandir nossos métodos para cobrir uma gama mais ampla de categorias. Melhorar como nosso modelo interpreta estilos e formas de esboços diversos de forma mais eficaz, acabará por aprimorar a experiência do usuário e a qualidade dos resultados gerados.

No geral, nossas descobertas contribuem para o campo crescente da modelagem 3D, demonstrando a utilidade da tecnologia de VR em tornar o processo de design mais amigável e eficiente.

Fonte original

Título: 3D VR Sketch Guided 3D Shape Prototyping and Exploration

Resumo: 3D shape modeling is labor-intensive, time-consuming, and requires years of expertise. To facilitate 3D shape modeling, we propose a 3D shape generation network that takes a 3D VR sketch as a condition. We assume that sketches are created by novices without art training and aim to reconstruct geometrically realistic 3D shapes of a given category. To handle potential sketch ambiguity, our method creates multiple 3D shapes that align with the original sketch's structure. We carefully design our method, training the model step-by-step and leveraging multi-modal 3D shape representation to support training with limited training data. To guarantee the realism of generated 3D shapes we leverage the normalizing flow that models the distribution of the latent space of 3D shapes. To encourage the fidelity of the generated 3D shapes to an input sketch, we propose a dedicated loss that we deploy at different stages of the training process. The code is available at https://github.com/Rowl1ng/3Dsketch2shape.

Autores: Ling Luo, Pinaki Nath Chowdhury, Tao Xiang, Yi-Zhe Song, Yulia Gryaditskaya

Última atualização: 2024-01-10 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2306.10830

Fonte PDF: https://arxiv.org/pdf/2306.10830

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes