Submit Search
Upload
Blenderで学ぶスカルプト勉強会
•
6 likes
•
10,162 views
kurosaurus
Follow
Blender Sculpt
Read less
Read more
Design
Report
Share
Report
Share
1 of 21
Download now
Download to read offline
Recommended
PRML上巻勉強会 at 東京大学の資料です。 この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。 本資料では第3章の前半、特に3.1節を中心に解説しています。 詳しくはこちらのサイト(外部)を御覧ください。 http://ibisforest.org/index.php?PRML
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
CVPR2016で発表された,特徴量学習とクロスモーダル転移に関する研究についてまとめてみました.
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
Akisato Kimura
ResNetの説明資料
ResNetの仕組み
ResNetの仕組み
Kota Nagasato
[CVPR読み会]BING:Binarized normed gradients for objectness estimation at 300fps
[CVPR読み会]BING:Binarized normed gradients for objectness estimation at 300fps
Takuya Minagawa
2021/05/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Networks CVPR 2020
[論文紹介] BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Ne...
[論文紹介] BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Ne...
Seiya Ito
U-Net++を拡張した転移学習モデルを提案した. 画像分類タスクでは局所特徴を学習すれば良いがセグメンテーションタスクはそれに加えて位置情報も学習する必要がある. 故にタスク間の学習すべき特徴に差異が生じる. そこでSEブロックを組み込むことで局所特徴と位置情報の両方を効率よく学習するSE-U-Net++と畳み込み層のパラメータを比較することでタスクの差異を埋める転移学習アルゴリズムを提案した.
【学会発表】U-Net++とSE-Netを統合した画像セグメンテーションのための転移学習モデル【IBIS2020】
【学会発表】U-Net++とSE-Netを統合した画像セグメンテーションのための転移学習モデル【IBIS2020】
YutaSuzuki27
a
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
harmonylab
Recommended
PRML上巻勉強会 at 東京大学の資料です。 この資料はChristopher M. Bishop 著「Pattern Recognition and Machine Learning」の日本語版「パターン認識と機械学習 上 - ベイズ理論による統計的予測」について補足説明を入れた上でなるべくわかりやすくしたものです。 本資料では第3章の前半、特に3.1節を中心に解説しています。 詳しくはこちらのサイト(外部)を御覧ください。 http://ibisforest.org/index.php?PRML
PRMLの線形回帰モデル(線形基底関数モデル)
PRMLの線形回帰モデル(線形基底関数モデル)
Yasunori Ozaki
CVPR2016で発表された,特徴量学習とクロスモーダル転移に関する研究についてまとめてみました.
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
Akisato Kimura
ResNetの説明資料
ResNetの仕組み
ResNetの仕組み
Kota Nagasato
[CVPR読み会]BING:Binarized normed gradients for objectness estimation at 300fps
[CVPR読み会]BING:Binarized normed gradients for objectness estimation at 300fps
Takuya Minagawa
2021/05/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Networks CVPR 2020
[論文紹介] BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Ne...
[論文紹介] BlendedMVS: A Large-scale Dataset for Generalized Multi-view Stereo Ne...
Seiya Ito
U-Net++を拡張した転移学習モデルを提案した. 画像分類タスクでは局所特徴を学習すれば良いがセグメンテーションタスクはそれに加えて位置情報も学習する必要がある. 故にタスク間の学習すべき特徴に差異が生じる. そこでSEブロックを組み込むことで局所特徴と位置情報の両方を効率よく学習するSE-U-Net++と畳み込み層のパラメータを比較することでタスクの差異を埋める転移学習アルゴリズムを提案した.
【学会発表】U-Net++とSE-Netを統合した画像セグメンテーションのための転移学習モデル【IBIS2020】
【学会発表】U-Net++とSE-Netを統合した画像セグメンテーションのための転移学習モデル【IBIS2020】
YutaSuzuki27
a
Densely Connected Convolutional Networks
Densely Connected Convolutional Networks
harmonylab
上智大学宮本研究室の勉強会発表資料です. PRML(パターン認識と機械学習)の第12章「連続潜在変数」から一部抜粋してまとめました. 主に主成分分析とカーネル主成分分析についてです.
主成分分析
主成分分析
貴之 八木
2015/07/25 CV勉強会@関東 CVPR2015読み会資料
L0TV: a new method for image restoration in the presence of impulse noise
L0TV: a new method for image restoration in the presence of impulse noise
Fujimoto Keisuke
2021/03/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Monocular real time volumetric performance capture
【DL輪読会】Monocular real time volumetric performance capture
Deep Learning JP
IIBMP2016(第五回生命医薬情報学連合大会)での招待講演の内容です。深層学習を生成過程の問題としてとらえて、なぜ表現を学習できるのかを説明した後に,深層生成モデル(VAE, GAN, 少しだけ自己回帰モデル, エネルギーモデル, モーメントマッチングモデルを紹介します。
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
2023/6/30 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
Selvaraju, Ramprasaath R., et al. "Grad-cam: Visual explanations from deep networks via gradient-based localization." The IEEE International Conference on Computer Vision (ICCV), 2017, pp. 618-626
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
Kazuki Adachi
2023/5/12 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
Deep Learning JP
BRDFの関数について記載しています。 フレネル、屈折率の計算部分など書きました。 学部生時代に書いたノートです。(2007年) 当時BRDFをJAVAで実装しまして、備忘録として残しました。 実装する上で理解するために作成したので、 少し噛み砕いた形で記載されているとおもいます。 もし何か質問がある場合は次までおねがいします。 @rocky_house
BRDF レンダリングの方程式
BRDF レンダリングの方程式
康弘 等々力
MIRU2013のチュートリアル「画像局所特徴量SIFTとそれ以降のアプローチ」 第16回画像の認識・理解シンポジウム MIRU2013 2013年7月29日 http://cvim.ipsj.or.jp/miru2013/tutorial.php#ts4
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
Deep Learning, Neural Network, CNN, RNN, auto encoder and GAN
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
2017/6/2 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
Deep Learning JP
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
2019/04/01 Deep Learning JP: http://deeplearning.jp/hacks/
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
パーティクルフィルタの実装と、パーティクルフィルタを使うと必ず起こるパーティクルと真値の乖離について原因と対策を説明。
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
Ryuichi Ueda
お仕事で作った資料。 全体紹介の資料としてはバランス悪いですが、どなたかのお役に立てれば。
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
2018/12/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
2019/07/06コンピュータビジョン勉強会@関東「CVPR2019読み会」発表資料です。
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
Takuya Minagawa
2015年度日本ファイナンス学会発表資料
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
Kei Nakagawa
2022/03/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
条件付き確率場の推論と学習
条件付き確率場の推論と学習
Masaki Saito
More Related Content
What's hot
上智大学宮本研究室の勉強会発表資料です. PRML(パターン認識と機械学習)の第12章「連続潜在変数」から一部抜粋してまとめました. 主に主成分分析とカーネル主成分分析についてです.
主成分分析
主成分分析
貴之 八木
2015/07/25 CV勉強会@関東 CVPR2015読み会資料
L0TV: a new method for image restoration in the presence of impulse noise
L0TV: a new method for image restoration in the presence of impulse noise
Fujimoto Keisuke
2021/03/26 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】Monocular real time volumetric performance capture
【DL輪読会】Monocular real time volumetric performance capture
Deep Learning JP
IIBMP2016(第五回生命医薬情報学連合大会)での招待講演の内容です。深層学習を生成過程の問題としてとらえて、なぜ表現を学習できるのかを説明した後に,深層生成モデル(VAE, GAN, 少しだけ自己回帰モデル, エネルギーモデル, モーメントマッチングモデルを紹介します。
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
Preferred Networks
2023/6/30 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
Selvaraju, Ramprasaath R., et al. "Grad-cam: Visual explanations from deep networks via gradient-based localization." The IEEE International Conference on Computer Vision (ICCV), 2017, pp. 618-626
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
Kazuki Adachi
2023/5/12 Deep Learning JP http://deeplearning.jp/seminar-2/
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
Deep Learning JP
BRDFの関数について記載しています。 フレネル、屈折率の計算部分など書きました。 学部生時代に書いたノートです。(2007年) 当時BRDFをJAVAで実装しまして、備忘録として残しました。 実装する上で理解するために作成したので、 少し噛み砕いた形で記載されているとおもいます。 もし何か質問がある場合は次までおねがいします。 @rocky_house
BRDF レンダリングの方程式
BRDF レンダリングの方程式
康弘 等々力
MIRU2013のチュートリアル「画像局所特徴量SIFTとそれ以降のアプローチ」 第16回画像の認識・理解シンポジウム MIRU2013 2013年7月29日 http://cvim.ipsj.or.jp/miru2013/tutorial.php#ts4
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
Deep Learning, Neural Network, CNN, RNN, auto encoder and GAN
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
2017/6/2 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
Deep Learning JP
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
2019/04/01 Deep Learning JP: http://deeplearning.jp/hacks/
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
Deep Learning JP
パーティクルフィルタの実装と、パーティクルフィルタを使うと必ず起こるパーティクルと真値の乖離について原因と対策を説明。
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
Ryuichi Ueda
お仕事で作った資料。 全体紹介の資料としてはバランス悪いですが、どなたかのお役に立てれば。
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
2018/12/14 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
2019/07/06コンピュータビジョン勉強会@関東「CVPR2019読み会」発表資料です。
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
Takuya Minagawa
2015年度日本ファイナンス学会発表資料
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
Kei Nakagawa
2022/03/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
条件付き確率場の推論と学習
条件付き確率場の推論と学習
Masaki Saito
What's hot
(20)
主成分分析
主成分分析
L0TV: a new method for image restoration in the presence of impulse noise
L0TV: a new method for image restoration in the presence of impulse noise
【DL輪読会】Monocular real time volumetric performance capture
【DL輪読会】Monocular real time volumetric performance capture
IIBMP2016 深層生成モデルによる表現学習
IIBMP2016 深層生成モデルによる表現学習
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
論文紹介:Grad-CAM: Visual explanations from deep networks via gradient-based loca...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
BRDF レンダリングの方程式
BRDF レンダリングの方程式
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
DeepLearningTutorial
DeepLearningTutorial
[DL輪読会]Generative Models of Visually Grounded Imagination
[DL輪読会]Generative Models of Visually Grounded Imagination
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
[DL Hacks]Simple Online Realtime Tracking with a Deep Association Metric
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
2014年5月21日「パーティクルフィルタの癖から知るロボットへの確率的手法の正しい適用方法」---第58回システム制御情報学会研究発表講演会チュートリアル講演
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
モデル予見制御に基づくペアトレード戦略
モデル予見制御に基づくペアトレード戦略
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
条件付き確率場の推論と学習
条件付き確率場の推論と学習
Blenderで学ぶスカルプト勉強会
1.
2.
おさらい ビュー操作 MMB+ドラッグ 視点の回転 Shift+MMB+ドラッグ 視点の平行移動 Ctrl+MMD+上下ドラッグ ズームイン・アウト
3.
おさらい2 オブジェクトを選択 : LMB 移動
: Gキー 回転 : Rキー 拡大 : Sキー オブジェクト作成 : Shift+Aキー
4.
最初の一歩 スカルプトモードでオブジェクトを変形する
5.
下準備 適度な密度のオブジェクトを作る 四角を作成 サブディビジョン>フリーズ
6.
よく使うブラシ Grab or SnakeHook
:Gキー,Kキー 引っ張る Clay :Cキー 盛り上げる Inflat :Iキー ふくらませる Pinch :Pキー つまむ/小さくする ScultDraw :Xキー 通常っぽいブラシ
7.
スカルプトで変形してみよう ショートカット ブラシの半径 : Fキー ブラシの強さ
: Shift+Fキー スムーズブラシ : Shiftキー ブラシ効果を反転 : Ctrlキー (盛り上げる<>下げる) マスク : Mキー マスク消去 : Ctrl+Mキー
8.
ポリゴンの頂点を直接スカルプトで変形 特徴:すでに存在している頂点を動かす 高密度な頂点には向いてない モーフターゲットでの使用することがおおい さっきやったのがこれ
9.
Dyntopo(ダイナミックトポロジー) 特徴:編集した場所に自動的に頂点を追加する ポリゴン形状にとらわれず、全体の形を作るのに向いている ≒ Sculptris、3DCoat(サーフェイスモード) 三角ポリゴン化される モデファイアと相性が悪い
10.
Dyntopoの基本的な使い方 スカルプトモードに入りDyntopoボタンを押す スカルプトすると、編集した場所だけポリゴンが追加される ダイナミックトポロジーの有効と無効を切り替え : Ctrl+Dキー
11.
Dyntopoを使ってみよう 追加>メッシュ>立方体 細分化曲面、解像度3>適用 スカルプトモード グラブツールで変形 Dynatopo有効 SnakeHookで大まかに編集 Smoothで整える Clayで目や鼻を盛り上げる Pinchで隙間をシャープにする ScultDrawで模様を描く
12.
知っておくと便利な機能① ビュー>レンズ エディタカメラの画角を変更できる デフォルトは広角すぎなので80mm~100mmがおすすめ シェーディング>Matcap モデリングに便利な疑似シェーディング 立体感をつかみやすい
Dynatopo>細部 スカルプトの基準解像度 スカルプト>操作を高速化 操作が軽くなる
13.
MultiResolution(マルチレゾリューション) 特徴:ポリゴンの解像度を複数持つ 編集の大きさに合わせて自由に変更できる 細部に手を加えずに、大胆に形を変えることができる ≒ ZBrush レンダリング時にだけ頂点数を増やせるので、ムービーに最適
14.
MultiResolutionの基本的な使い方 モデファイア>多重解像度 ( MultiResolution ) 細分化ボタン 最大解像度を増やす プレビュー/スカルプト/レンダー それぞれの操作中の解像度 細分化レベルを1つ上げる
: Page upキー 細分化レベルを1つ下げる : Page downキー
15.
MultiResolutionを使ってみよう 追加>メッシュ>立方体 細分化曲面、解像度3>適用 低い解像度で大きな塊を編集 解像度を上げて作り込む 大きな編集をする場合は解像度を下げる 足りない場合は最大解像度をあげる いつでも自由に変えれる
16.
知っておくと便利な機能② Skinモデファイア ポリゴンのエッジに太さをつけられる 素体に便利 ctrl+Aで太さを編集 ≒ ZBrushのZsphere、3DCoatの曲線
17.
知っておくと便利な機能③ リメッシュ ポリゴンを一塊の形状として再構成する 四角ポリゴンになるのでMultiResolutionにも向い ている 結合した形状でもひとつながりにできる
18.
19.
リアルタイムで動かすため、データサイズをかなり厳密に管理する必要がある 動かさない背景であってもライトマップなどを使用するため制約は多い 基本的にスカルプトの細部はベイクしてノーマルマップに焼きこんで使用する ▶ リトポ、ノーマルマップについて勉強してみよう ノーマルマップ ポリゴンの細かい凹凸情報(法線の変化情報)を焼き込んだテクスチャ。 実際にはディテールがなくとも、ディテールがあるかのように見える。
20.
リアルタイムレンダーほどは制約は少ないが、基本的にスカルプトの細部 はベイクしてノーマルマップに焼きこんで使用する ▶ リトポ、ノーマルマップについて勉強してみよう
21.
めり込みをなくなど、プリンターに合わせた調整が必要 現実に存在する物体なので現実的な制約にも配慮 (細すぎて折れないかなど) 工業製品であればオーバーハングなどにも気を使い、型抜きしやすい造形 にする必要がある ▶ 原型師向けの本で勉強しよう
Download now