Implicit Neural Sculpting

Τζάθας, Πέτρος; Tzathas, Petros

dc.contributor.author	Τζάθας, Πέτρος
dc.contributor.author	Tzathas, Petros	en
dc.date.accessioned	2023-01-26T09:32:35Z
dc.date.available	2023-01-26T09:32:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56927
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24625
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Surface Representation	en
dc.subject	Implicit Representations	en
dc.subject	Digital Sculpting	en
dc.subject	Markov Chain Sampling	en
dc.subject	Neural Networks	en
dc.subject	Αναπαράσταση Επιφάνειας	el
dc.subject	Πεπλεγμένες Αναπαραστάσεις	el
dc.subject	Ψηφιακή Γλυπτική	el
dc.subject	Δειγματοληψία με Μαρκοβιανές Αλυσίδες	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.title	Implicit Neural Sculpting	en
dc.title	Πεπλεγμένη Νευρωνική Γλυπτική	el
dc.contributor.department	Division of Signals, Control and Robotics	el
heal.type	bachelorThesis
heal.classification	Computer Vision	en
heal.classification	Graphics	en
heal.classification	Όραση Υπολογιστών	el
heal.classification	Γραφικά	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-31
heal.abstract	Τα τελευταία χρόνια, οι πεπλεγμένες αναπαραστάσεις επιφανειών μέσω νευρωνικών δικτύων το οποία κωδικοποιούν την προσημασμένη απόσταση έχουν γίνει δημοφιλείς και έχουν επιτύχει αποτελέσματα αιχμής σε διάφορα προβλήματα (π.χ. αναπαράσταση σχήματος, ανακατασκευή σχήματος). Ωστόσο, σε αντίθεση με τις συμβατικές αναπαραστάσεις, όπως τα πολυγωνικά meshes, η επεξεργασία των πεπλεγμένων αναπαραστάσεων δεν είναι εύκολη και οι υπάρχουσες εργασίες που προσπαθούν να αντιμετωπίσουν αυτό το πρόβλημα είναι εξαιρετικά περιορισμένες. Στην παρούσα διατριβή, προτείνουμε την πρώτη μέθοδο για αποτελεσματική και διαδραστική επεξεργασία συναρτήσεων προσημασμένης απόστασης που εκφράζονται μέσω νευρωνικών δικτύων, επιτρέποντας ελευθερία από τον χρήστη. Εμπνευσμένοι από το λογισμικό τρισδιάστατης γλυπτικής για meshes, χρησιμοποιούμε μία θεώρηση που βασίζεται σε πινέλα η οποία είναι διαισθητική και μπορεί, στο μέλλον, να χρησιμοποιηθεί σε λογισμικό ψηφιακής τέχνης και επιστημονικές εφαρμογές. Για να περιορίσουμε την επιρροή των επιθυμητών παραμορφώσεων της επιφάνειας, ρυθμίζουμε το δίκτυο χρησιμοποιώντας ένα αντίγραφό του για να δειγματίσουμε την επιφάνεια που εκφραζόταν προηγουμένως. Εισάγουμε ένα νέο πλαίσιο για την επεξεργασιών επιφανειών σε στυλ γλυπτικής με αποτελεσματική προσαρμογή των βαρών του δικτύου, σε συνδυασμό με έναν αλγόριθμο για ομοιόμορφη δειγματοληψία επιφανειών. Αξιολογούμε ποιοτικά και ποσοτικά τη μέθοδό μας σε διάφορα διαφορετικά τρισδιάστατα αντικείμενα και κάτω από πολλές διαφορετικές επεξεργασίες. Τα αναφερόμενα αποτελέσματα δείχνουν ξεκάθαρα ότι η μέθοδός μας αποδίδει υψηλή ακρίβεια, όσον αφορά την επίτευξη των επιθυμητών επεξεργασιών, ενώ ταυτόχρονα διατηρεί τη γεωμετρία εκτός των περιοχών αλληλεπίδρασης. Ο κώδικας είναι διαθέσιμος στην συνοδευτική ιστοσελίδα https://pettza.github.io/3DNS/.	el
heal.abstract	In recent years, implicit surface representations through neural networks that encode the signed distance have gained popularity and have achieved state-of-the-art results in various tasks (e.g. shape representation, shape reconstruction, and learning shape priors). However, in contrast to conventional shape representations such as polygon meshes, the implicit representations cannot be easily edited and existing works that attempt to address this problem are extremely limited. In the present thesis, we propose the first method for efficient interactive editing of signed distance functions expressed through neural networks, allowing free-form editing. Inspired by 3D sculpting software for meshes, we use a brush-based framework that is intuitive and can, in the future, be used in digital art software and scientific applications. In order to localize the desired surface deformations, we regulate the network by using a copy of it to sample the previously expressed surface. We introduce a novel framework for simulating sculpting-style surface edits with efficient adaptation of network weights, in conjunction with an algorithm for uniform surface sampling. We qualitatively and quantitatively evaluate our method on various different 3D objects and under many different edits. The reported results clearly show that our method yields high accuracy, in terms of achieving the desired edits, while at the same time preserving the geometry outside the interaction areas. Code is provided on the accompanying project website https://pettza.github.io/3DNS/.	en
heal.advisorName	Μαραγκός, Πέτρος	el
heal.advisorName	Maragos, Petros	en
heal.committeeMemberName	Ροντογιάννης, Αθανάσιος	el
heal.committeeMemberName	Ποταμιανός, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	132 σ.	el
heal.fullTextAvailability	false