ترجمه فارسی مقاله DiffCSG: CSG قابل تمایز از طریق Rasterization

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی DiffCSG: Differentiable CSG via Rasterization
عنوان مقاله به فارسی DiffCSG: CSG قابل تمایز از طریق Rasterization
نویسندگان Haocheng Yuan, Adrien Bousseau, Hao Pan, Chengquan Zhang, Niloy J. Mitra, Changjian Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Graphics,Computer Vision and Pattern Recognition,گرافیک , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 9 September, 2024; v1 submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 سپتامبر 2024 ؛V1 ارسال شده در 2 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Differentiable rendering is a key ingredient for inverse rendering and machine learning, as it allows to optimize scene parameters (shape, materials, lighting) to best fit target images. Differentiable rendering requires that each scene parameter relates to pixel values through differentiable operations. While 3D mesh rendering algorithms have been implemented in a differentiable way, these algorithms do not directly extend to Constructive-Solid-Geometry (CSG), a popular parametric representation of shapes, because the underlying boolean operations are typically performed with complex black-box mesh-processing libraries. We present an algorithm, DiffCSG, to render CSG models in a differentiable manner. Our algorithm builds upon CSG rasterization, which displays the result of boolean operations between primitives without explicitly computing the resulting mesh and, as such, bypasses black-box mesh processing. We describe how to implement CSG rasterization within a differentiable rendering pipeline, taking special care to apply antialiasing along primitive intersections to obtain gradients in such critical areas. Our algorithm is simple and fast, can be easily incorporated into modern machine learning setups, and enables a range of applications for computer-aided design, including direct and image-based editing of CSG primitives. Code and data: https://yyyyyhc.github.io/DiffCSG/.

چکیده به فارسی (ترجمه ماشینی)

رندر متفاوت یک ماده اصلی برای ارائه معکوس و یادگیری ماشین است ، زیرا این امکان را می دهد تا پارامترهای صحنه (شکل ، مواد ، روشنایی) را بهینه سازی کند تا به بهترین وجه تصاویر هدف را متناسب کند.رندر متفاوت نیاز دارد که هر پارامتر صحنه از طریق عملیات متفاوت به مقادیر پیکسل مربوط شود.در حالی که الگوریتم های ارائه دهنده مش سه بعدی به روشی متفاوت اجرا شده اند ، این الگوریتم ها به طور مستقیم به ژنومتری سازنده-جامد (CSG) گسترش نمی یابند ، یک بازنمایی پارامتری محبوب از اشکال ، زیرا عملیات بولی اساسی به طور معمول با مشبک پیچیده جعبه سیاه انجام می شودکتابخانه های پردازش.ما یک الگوریتم ، diffcsg ، برای ارائه مدل های CSG به روشی متفاوت ارائه می دهیم.الگوریتم ما بر روی CSG Rasterization ساخته شده است ، که نتیجه عملیات بولی را بین بدوی ها نشان می دهد بدون اینکه صریح مش نتیجه را محاسبه کند و به همین ترتیب ، پردازش مش جعبه سیاه را دور می زند.ما نحوه اجرای شلاق زدایی CSG را در یک خط لوله رندر متفاوت ، با مراقبت ویژه برای استفاده از ضدیاس در امتداد تقاطع های ابتدایی برای به دست آوردن شیب در چنین مناطق مهم توضیح می دهیم.الگوریتم ما ساده و سریع است ، می توان به راحتی در مجموعه های یادگیری ماشین مدرن گنجانید و طیف وسیعی از برنامه ها را برای طراحی رایانه ای از جمله ویرایش مستقیم و مبتنی بر تصویر از بدوی های CSG امکان پذیر می کند.کد و داده ها: https://yyyyhc.github.io/diffcsg/.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.