論文の概要: SurfaceNet+: An End-to-end 3D Neural Network for Very Sparse Multi-view Stereopsis

• arxiv url: http://arxiv.org/abs/2005.12690v1
• Date: Tue, 26 May 2020 13:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 23:57:48.578990
• Title: SurfaceNet+: An End-to-end 3D Neural Network for Very Sparse Multi-view Stereopsis
• Title（参考訳）: SurfaceNet+: 非常にスパースなマルチビューステレオプシスのためのエンドツーエンド3Dニューラルネットワーク
• Authors: Mengqi Ji, Jinzhi Zhang, Qionghai Dai, Lu Fang
• Abstract要約: マルチビューステレオプシス(MVS)は2次元画像から3次元モデルを復元しようとする。 本研究では,スペーサー感覚がより実用的でコスト効率が高いため,ベースライン角度が大きいスパースMVSについて検討する。 非常にスパースなMVSセットアップによって生じる「不完全性」と「不正確性」問題を扱うためのボリューム手法であるSurfaceNet+を提案する。
• 参考スコア（独自算出の注目度）: 52.35697180864202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view stereopsis (MVS) tries to recover the 3D model from 2D images. As the observations become sparser, the significant 3D information loss makes the MVS problem more challenging. Instead of only focusing on densely sampled conditions, we investigate sparse-MVS with large baseline angles since the sparser sensation is more practical and more cost-efficient. By investigating various observation sparsities, we show that the classical depth-fusion pipeline becomes powerless for the case with a larger baseline angle that worsens the photo-consistency check. As another line of the solution, we present SurfaceNet+, a volumetric method to handle the 'incompleteness' and the 'inaccuracy' problems induced by a very sparse MVS setup. Specifically, the former problem is handled by a novel volume-wise view selection approach. It owns superiority in selecting valid views while discarding invalid occluded views by considering the geometric prior. Furthermore, the latter problem is handled via a multi-scale strategy that consequently refines the recovered geometry around the region with the repeating pattern. The experiments demonstrate the tremendous performance gap between SurfaceNet+ and state-of-the-art methods in terms of precision and recall. Under the extreme sparse-MVS settings in two datasets, where existing methods can only return very few points, SurfaceNet+ still works as well as in the dense MVS setting. The benchmark and the implementation are publicly available at https://github.com/mjiUST/SurfaceNet-plus.
• Abstract（参考訳）: マルチビューステレオプシス(MVS)は2次元画像から3次元モデルを復元しようとする。 観測がスペーサーになるにつれて、重要な3D情報損失により、MVSの問題はより困難になる。 より実用的でコスト効率のよいスペーサーセンセーションのため,高密度サンプリング条件にのみ焦点をあてるのではなく,大きなベースライン角度を持つスパースMVSについて検討する。 様々な観測スパーシティを調査した結果, 従来型深層水流パイプラインは, より広い基線角度の場合には無力となり, フォトコンシスタンスチェックが悪化することがわかった。 この解の別の行として、非常にスパースなMVSセットアップによって引き起こされる「不完全性」と「不正確性」問題を扱う体積法であるSurfaceNet+を提案する。 具体的には、前者の問題は、新しいボリュームワイドビュー選択アプローチによって処理される。 幾何学的先行を考慮し、無効な没入観を捨てつつ、有効な視点を選択するという優越性を有する。 さらに、後者の問題は、繰り返しパターンで領域周辺の復元された幾何を洗練させるマルチスケール戦略によって処理される。 実験は、surfacenet+と最先端のメソッドの精度とリコールの点で、驚くべきパフォーマンスギャップを示している。 2つのデータセットの極端なスパースMVS設定の下では、既存のメソッドはわずかなポイントしか返さないが、SurfaceNet+は、高密度のMVS設定と同様に動作する。 ベンチマークと実装はhttps://github.com/mjiUST/SurfaceNet-plusで公開されている。

関連論文リスト

• GLACE: Global Local Accelerated Coordinate Encoding [66.87005863868181]
  シーン座標回帰法は小規模なシーンでは有効であるが、大規模シーンでは重大な課題に直面している。 本研究では,事前学習したグローバルおよびローカルのエンコーディングを統合したGLACEを提案する。 提案手法は,低マップサイズモデルを用いて,大規模シーンにおける最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:50Z)
• S-VolSDF: Sparse Multi-View Stereo Regularization of Neural Implicit Surfaces [75.30792581941789]
  暗黙の面のニューラルレンダリングは、3次元視覚アプリケーションでうまく機能する。 スパース入力画像のみが利用可能となると、形状と輝度のあいまいさの問題により出力品質が著しく低下する。 MVSソリューションを用いてニューラルレンダリング最適化の正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-30T21:10:58Z)
• Scatter Points in Space: 3D Detection from Multi-view Monocular Images [8.71944437852952]
  単眼画像からの3次元物体検出は,コンピュータビジョンの課題であり,長年の課題である。 近年の手法では, 空間に密集した正規3次元格子をサンプリングすることにより, マルチビュー特性を集約する傾向にある。 そこで本研究では,データ空間に擬似曲面点を散布し,データの分散性を維持するための学習可能なキーポイントサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-31T09:38:05Z)
• Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
  本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。 平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。 提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
  論文  参考訳（メタデータ） (2022-05-05T17:59:55Z)
• RC-MVSNet: Unsupervised Multi-View Stereo with Neural Rendering [16.679446000660654]
  本稿では、ビュー間の対応のあいまいさを解決するために、ニューラルネットワーク(RC-MVSNet)を用いた新しい手法を提案する。 具体的には、物体表面に近い幾何学的特徴を制約するために、深度レンダリング整合性損失を課す。 また、非ランベルト曲面に対しても一貫した監督を生成するために参照ビュー損失を導入する。
  論文  参考訳（メタデータ） (2022-03-08T09:24:05Z)
• 3DVNet: Multi-View Depth Prediction and Volumetric Refinement [68.68537312256144]
  3DVNetは、新しいマルチビューステレオ(MVS)深度予測法である。 私たちのキーとなるアイデアは、粗い深度予測を反復的に更新する3Dシーンモデリングネットワークを使用することです。 本手法は, 深度予測と3次元再構成の両指標において, 最先端の精度を超えることを示す。
  論文  参考訳（メタデータ） (2021-12-01T00:52:42Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• M^3VSNet: Unsupervised Multi-metric Multi-view Stereo Network [13.447649324253572]
  本稿では,M3VSNet という無監督マルチメトリックMVSネットワークを提案する。 点雲再構成の堅牢性と完全性を改善するために,画素ワイドと特徴ワイドのロス関数を組み合わせた多値損失関数を提案する。 実験の結果,M3VSNetは最先端の教師なし手法を確立し,従来の教師なしMVSNetと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2020-04-30T09:26:51Z)
• M^3VSNet: Unsupervised Multi-metric Multi-view Stereo Network [13.447649324253572]
  本稿では,M3VSNet という無監督マルチメトリックMVSネットワークを提案する。 点雲再構成の堅牢性と完全性を改善するために,画素ワイドと特徴ワイドのロス関数を組み合わせた多値損失関数を提案する。 実験の結果,M3VSNetは最先端の教師なし手法を確立し,従来の教師なしMVSNetと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2020-04-21T02:45:25Z)

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。