MARC

 008250123s2024        us                              c    eng  d
■001000017164890
■00520250211153059
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346390992
■035    ▼a(MiAaPQ)AAI31652055
■035    ▼a(MiAaPQ)Stanfordpr895qw3725
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a100
■1001  ▼aUy,  Mikaela  Angelina.
■24510▼aChallenges  in  3D  Machine  Learning:  Data  Scarcity  and  Structure-Awareness
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a144  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  A.
■500    ▼aAdvisor:  Guibas,  Leonidas.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼a3D  content  creation  is  an  important  and  increasingly  popular  task  for  different  applications  such  as  graphic  design,  gaming  and  animation,  virtual  reality  experiences,  manufacturing,  and  robotics.  This  growing  popularity  creates  a  strong  demand  for  tools  that  facilitate  the  creation  and  synthesis  of  new  3D  content.  Traditionally,  designers  would  need  to  manually  design  and  create  each  new  model,  which  is  a  difficult  and  labor  intensive  task,  requiring  expert  knowledge  of  3D  modeling  or  computer-aided  design  (CAD)  tools.  With  the  advent  of  3D  machine  learning,  there  is  an  opportunity  to  make  the  3D  creation  process  more  accessible  --  but  there  are  challenges  on  the  way.  For  example,  difficulties  arise  when  3D  data  repositories  of  sufficient  quality  and  size  are  not  available,  making  approaches  that  require  3D  supervision  implausible.  Another  difficulty  occurs  when  structure-aware,  fine-grained  control  or  further  manipulation  and  editing  is  desired  for  the  output,  a  task  for  which  coarse  homogeneous  3D  representations  are  not  ideal.  In  this  dissertation,  we  address  two  important  challenges  in  3D  machine  learning,  namely  data  scarcity  and  structure-awareness,  thus  taking  promising  steps  towards  automating  more  parts  of  the  3D  content  creation  process.First,  we  introduce  a  novel  approach  for  reconstructing  a  3D  scene  when  no  3D  data  is  available  for  direct  supervision  at  training  time  and  instead  only  a  sparse  set  of  image  captures  are  given.  We  show  that  by  introducing  some  advances  in  neural  rendering,  we  are  able  to  coarsely  reconstruct  a  3D  scene  from  only  few  2D  input  views  by  modeling  ambiguity-aware  depth  estimates.  Moreover,  we  additionally  introduce  a  new  image  formation  model  that  allows  better  neural-rendering-based  geometric  reconstruction.  Second,  we  address  the  challenge  of  creating  3D  content  that  is  structure-aware,  allowing  for  the  creation  of  3D  assets  with  a  fine  level  of  geometric  detail  as  well  as  enabling  further  user  manipulation  and  editing.  Concretely,  we  propose  an  approach  that  leverages  existing  artist-generated  databases  (meshes)  to  create  controllable  deformations  of  existing  3D  data  by  conditioning  on  target  images  or  scans.  We  also  study  learning  representations  of  shapes  that  are  more  structured,  e.g.,  CAD  models,  and  are  directly  editable,  thus  improving  user  control.  Depending  on  the  task,  use-case  and  user  preference,  these  techniques  offer  different  advantages  towards  making  3D  content  creation  more  universally  accessible.
■590    ▼aSchool  code:  0212.
■650  4▼aAmbiguity
■650  4▼aDeformation
■650  4▼aDeadlines
■650  4▼aSemantics
■650  4▼aLogic
■650  4▼aEngineering
■690    ▼a0800
■690    ▼a0395
■690    ▼a0537
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164890▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서