Defesa de Dissertação de Mestrado de Marcelo Nicolaci Pimentel, 12/12/25, 14h, por videoconferência
Link para defesa: https://meet.google.com/xuo-ttwh-fvf
Geração de Formas 3D a partir de Imagens 2D de Fatias Usando Modelos Baseados em Transformers
Resumo:
Recentemente, inovações na modelagem generativa profunda têm impactado o cenário da modelagem de formas 3D. Esta dissertação investiga a aplicação de modelos amplamente utilizados na geração de texto e vídeo para modelos 3D. Deseja-se verificar se, ao se representar modelos tridimensionais como uma sequência de fatias bidimensionais, é possível aproveitar técnicas generativas comumente empregadas para processamento de dados sequenciais no contexto da modelagem 3D. Para validar esta hipótese, propõe-se o uso de arquiteturas baseadas em transformers para gerar formas tridimensionais. Os experimentos demonstram que a abordagem apresenta resultados promissores ao gerar modelos geométricos simples com mudanças topológicas não triviais. Um dos destaques da abordagem proposta é a utilização de uma solução construída sobre modelos baseados puramente em transformers, empregando apenas informações locais para treinamento: subconjuntos de fatias do modelo completo. Demonstra-se também que, ao variar parâmetros simples que controlam a geração de fatias no tempo de inferência, é possível produzir variações nas formas construídas.
Abstract:
Recently, innovations originating from deep generative modeling impacted the landscape of 3D shape modeling. This paper investigates the application of models widely used in text and video generation to 3d shape modeling. We claim that by representing 3D models as a sequence of 2D slices, one can leverage generative techniques commonly used for sequential data processing in the context of 3D modeling. To validate our hypothesis, we propose using transformer-based architectures to generate 3D shapes. We demonstrate in the experiments that our method presents promising results by generating simple geometric models with non-trivial topological changes. One of the highlights of our approach is that we propose a solution built on pure transformer models, using only local information for training: subsets of slices of the complete model. We also show that by varying simple parameters controlling the slice generation at inference time, we can produce variations on the constructed shapes.
Banca examinadora:
Prof. Anselmo Antunes Montenegro, UFF – Presidente
Prof. André Maues Brabo Pereira, UFF
Prof. Ricardo Cordeiro de Farias, UFRJ