論文の概要: Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2003.10983v3
• Date: Fri, 21 Aug 2020 21:52:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 08:50:24.030129
• Title: Deep Local Shapes: Learning Local SDF Priors for Detailed 3D Reconstruction
• Title（参考訳）: 深部局所形状:詳細な3次元再構成のための局所SDF事前学習
• Authors: Rohan Chabra, Jan Eric Lenssen, Eddy Ilg, Tanner Schmidt, Julian Straub, Steven Lovegrove, Richard Newcombe
• Abstract要約: 本稿では,メモリの制限なしに高品質な3次元形状の符号化と再構成が可能な深部形状表現であるDeep Local Shapes (DeepLS)を紹介する。 ニューラルネットワークと1つの潜伏符号を持つオブジェクトレベルのSDFを表すDeepSDFとは異なり、我々は独立した潜伏符号のグリッドを格納し、それぞれが小さな局所的に表面に関する情報を格納する。 このシーンを局所的な形状に分解することで、ネットワークが学習しなければならない事前分布を単純化し、効率的な推論を可能にする。
• 参考スコア（独自算出の注目度）: 19.003819911951297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficiently reconstructing complex and intricate surfaces at scale is a long-standing goal in machine perception. To address this problem we introduce Deep Local Shapes (DeepLS), a deep shape representation that enables encoding and reconstruction of high-quality 3D shapes without prohibitive memory requirements. DeepLS replaces the dense volumetric signed distance function (SDF) representation used in traditional surface reconstruction systems with a set of locally learned continuous SDFs defined by a neural network, inspired by recent work such as DeepSDF. Unlike DeepSDF, which represents an object-level SDF with a neural network and a single latent code, we store a grid of independent latent codes, each responsible for storing information about surfaces in a small local neighborhood. This decomposition of scenes into local shapes simplifies the prior distribution that the network must learn, and also enables efficient inference. We demonstrate the effectiveness and generalization power of DeepLS by showing object shape encoding and reconstructions of full scenes, where DeepLS delivers high compression, accuracy, and local shape completion.
• Abstract（参考訳）: 複雑で複雑な表面を効率的に再構築することは、機械知覚における長年の目標である。 この問題に対処するために,高画質な3次元形状の符号化と再構成が可能な深部形状表現であるDeep Local Shapes (DeepLS)を導入する。 DeepLSは、従来の表面再構成システムで使用される高密度容量符号距離関数(SDF)を、DeepSDFのような最近の研究にインスパイアされたニューラルネットワークによって定義された局所的に学習された連続的なSDFの集合に置き換える。 ニューラルネットワークと1つの潜伏符号を持つオブジェクトレベルのSDFを表すDeepSDFとは異なり、我々は独立した潜伏符号のグリッドを格納し、それぞれが小さな局所的に表面に関する情報を保持する。 このシーンの局所的な形状への分解は、ネットワークが学習しなければならない事前分布を単純化し、効率的な推論を可能にする。 我々は,DeepLSが高圧縮,精度,局所形状の完備化を実現するフルシーンのオブジェクト形状エンコーディングと再構成を示すことによって,DeepLSの有効性と一般化力を実証する。

関連論文リスト

• A Latent Implicit 3D Shape Model for Multiple Levels of Detail [95.56814217356667]
  入射神経表現は、形状固有の潜伏符号と3D座標を対応する符号距離(SDF)の値にマッピングする。 このアプローチは、単一のレベルの詳細しか提供しません。 そこで我々は,複数の詳細レベルを実現し,各レベルで滑らかな表面を保証できる新しい形状モデリング手法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T05:57:58Z)
• HIO-SDF: Hierarchical Incremental Online Signed Distance Fields [26.263670265735858]
  巨大で複雑な移動ロボットの作業空間のよい表現は、空間効率が良いが、関連する幾何学的詳細を符号化する能力は必要である。 環境をSDF(Signed Distance Field)として表現する新しい手法であるHIO-SDFを紹介する。 HIO-SDFは、すべてのテストシーンの平均的SDFエラーを、アート連続表現の状態よりも46%低くする。
  論文  参考訳（メタデータ） (2023-10-14T01:17:56Z)
• FineRecon: Depth-aware Feed-forward Network for Detailed 3D Reconstruction [13.157400338544177]
  ポーズ画像からの3次元再構成に関する最近の研究は、深層ニューラルネットワークを用いてシーンレベルの3次元幾何を直接推定できることを実証している。 推論に基づく3次元再構成の忠実度を改善するための有効な3つの方法を提案する。 提案手法はスムーズかつ高精度な再構成を行い,多深度および3次元再構成の指標において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-04-04T02:50:29Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• High-fidelity 3D Model Compression based on Key Spheres [6.59007277780362]
  明示的な鍵球を入力として用いたSDF予測ネットワークを提案する。 提案手法は,高忠実かつ高圧縮な3次元オブジェクトの符号化と再構成を実現する。
  論文  参考訳（メタデータ） (2022-01-19T09:21:54Z)
• 3D Shapes Local Geometry Codes Learning with SDF [8.37542758486152]
  3次元形状記述としての符号付き距離関数(SDF)は、描画と再構成のための3次元幾何学を表現する最も効果的な手法の1つである。 本稿では,DeepSDFモデルのキャパシティ低下から生じる復元の劣化問題について考察する。 本稿では,局所形状から学習することで,元のDeepSDF結果を改善するモデルであるローカル幾何符号学習(LGCL)を提案する。
  論文  参考訳（メタデータ） (2021-08-19T09:56:03Z)
• S2R-DepthNet: Learning a Generalizable Depth-specific Structural Representation [63.58891781246175]
  人間はリアルなイメージではなくスケッチからシーンの3次元幾何学を推測することができ、空間構造がシーンの深さを理解する上で基本的な役割を果たすことを示す。 我々は,深度推定に不可欠な特徴を捉え,無関係なスタイル情報を無視する,深度特異的な構造表現の学習を初めて行う。 当社のS2R-DepthNetは、合成データでのみ訓練されているにもかかわらず、目に見えない実際のデータに直接一般化できます。
  論文  参考訳（メタデータ） (2021-04-02T03:55:41Z)
• PLADE-Net: Towards Pixel-Level Accuracy for Self-Supervised Single-View Depth Estimation with Neural Positional Encoding and Distilled Matting Loss [49.66736599668501]
  PLADE-Netと呼ばれる自己監視型単視点画素レベルの高精度深度推定ネットワークを提案する。 提案手法は,KITTIデータセットの$delta1$測定値の95%を超え,前例のない精度を示す。
  論文  参考訳（メタデータ） (2021-03-12T15:54:46Z)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。