PulseAugur
中
实时 09:08:33
English(EN) Fluid-SDF: Ultra-Lightweight and Editable Implicit Shape Representation via Differentiable Primitives

Fluid-SDF 提供轻量级、可编辑的隐式形状建模

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 Fluid-SDF，一种利用可微分几何基元的新型二维形状建模隐式神经表示。该方法显著减少了参数数量，仅需不到 100 个参数即可重建复杂形状，这比传统神经网络有了实质性改进。Fluid-SDF 还表现出对噪声的鲁棒性，并允许在无需重新训练的情况下直接进行零样本形状编辑，使其适用于移动 AI 和增强现实等资源受限的环境。 AI

影响 为资源受限的 AI 应用实现更高效、可编辑的形状建模。

排序理由 该集群包含一篇详细介绍新形状建模方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

Fluid-SDF 提供轻量级、可编辑的隐式形状建模

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Pradyumna Sripada, Chinmay Nadgir, Ksheer Agrawal, Krishna Kanth Kodanganti ·

    Fluid-SDF：通过可微分基元实现超轻量级且可编辑的隐式形状表示

    arXiv:2607.18646v1 Announce Type: new Abstract: Implicit Neural Representations (INRs) have become the standard for continuous 2D shape modeling, but they suffer from black-box uneditability, vulnerability to noise, and high parameter counts that severely hinder deployment on edg…

相关实体

相关话题