| On this page |
Neural Point Surfaceメソッドは、ポイントクラウドを入力として受け取り、そこからVDBサーフェスを再構築します。
このノードには、サーフェス化される材質に応じて特定のルックを生成する複数の専門的な事前トレーニング済みモデルが含まれています。
これによって、ユーザは、ポイントクラウドで表現されているシャープで高周波数なディテールを維持しつつ、滑らかなサーフェスを再構築することができます。
VDBモデルとNPSモデルの両方が
MPM Surfaceノードで使用されています。
従来のワークフロー vs ニューラルワークフロー ¶
ニューラルポイントサーフェシングのメソッドの使用には、以下の利点と欠点があります。
利点
-
全体的な影響を与える形態学的処理とは対照的に、局所的な処理が可能です。
-
何かしらの望ましい特徴部は、サンプルによって容易に表現することができます。
-
単一ノードによる解決は、アーティストが迅速にきちんとしたルックのサーフェスを得やすくなります。
欠点
-
制御性の低さ - トレーニングが済むと、そのモデルはブラックボックスとして動作します。
-
GPU志向 - CPUベースの干渉演算は非常に遅くなる可能性があります。
事前トレーニング済みモデル ¶
Balanced ¶
これがNeural Modelのデフォルトです。 たいていの場面で上手く実行され、ソリッドモデルのシャープな特徴部を維持しなければならない時に最適な結果が得られる可能性が高いです。
これらの画像から、シャープな特徴部が維持され、平坦な表面は滑らかで、地面付近の薄い素材の体積が維持されていることが分かります。 一方、VDB法メソッドでは薄い板が消失し、平坦な領域が非常に凹凸のある結果となっています。
Liquid ¶
液体シミュレーションの再構築に最適化されています。 このモデルは、滑らかな曲面だけでなく、波が砕けてうねるシャープな遷移も維持します。 また、時間的に安定した方法で近辺の水滴を繋げることで、薄い水膜の再構築にも優れています。
こちらの画像は、Particle Fluid SurfaceとNeural Point Surfacingの手法による違いを示しています。 Neural Point Surfacinの手法では、波のエッジがシャープに表現され、平坦な領域では不要なノイズのない滑らかな表面が得られていることが分かります。
Granular ¶
粗くて粒状の表面を適切に取り込めるように最適化されています。 このモデルは、表面から完全に分離した浮遊ポイントを維持しつつ、密な表面付近の浮遊ポイントを無視することで、ぼやけを軽減し、より明確な形状を得ようと試みます。 これは、特に Chunky MPMマテリアルで役に立ちます。
これらの画像は、VDB from ParticlesとNeural Point Surfacingの手法による違いを示しています。 VDB from Particlesの手法の方は、ぼやけて見えます。 Neural Point Surfacingの手法では、より多くの構造、高周波数なディテール、バリエーション豊かなピースサイズ が見えます。
Smooth ¶
滑らかな表面再構築に最適化されています。 このモデルは、 Balanced モデルと比較して高周波数なディテールが不足しますが、滑らかな表面上の凹凸をより効果的に除去することができます。
これらの画像から、靴紐の体積や靴の上面付近の穴が維持されていることが分かります。 一方、VDB法では、靴の側面のノイズを低減するためにメッシュを平滑化すると、こうした高周波数なディテールがすべて失われてしまいます。
コンテンツライブラリのサンプル ¶
Neural Point Surfaceトレーニングセットアップは、コンテンツライブラリで利用可能です。 ファイルはここからダウンロードしてください。