論文の概要: Geodesic-HOF: 3D Reconstruction Without Cutting Corners
- arxiv url: http://arxiv.org/abs/2006.07981v1
- Date: Sun, 14 Jun 2020 18:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 13:12:43.667830
- Title: Geodesic-HOF: 3D Reconstruction Without Cutting Corners
- Title(参考訳): Geodesic-HOF: 3Dレコンストラクション
- Authors: Ziyun Wang, Eric A. Mitchell, Volkan Isler, Daniel D. Lee
- Abstract要約: シングルビュー3Dオブジェクト再構成は、コンピュータビジョンの難しい根本的な問題である。
標準サンプリング領域から高次元空間への画像条件付き写像関数を学習する。
この学習された測地線埋め込み空間は、教師なしオブジェクト分解のようなアプリケーションに有用な情報を提供する。
- 参考スコア(独自算出の注目度): 42.4960665928525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single-view 3D object reconstruction is a challenging fundamental problem in
computer vision, largely due to the morphological diversity of objects in the
natural world. In particular, high curvature regions are not always captured
effectively by methods trained using only set-based loss functions, resulting
in reconstructions short-circuiting the surface or cutting corners. In
particular, high curvature regions are not always captured effectively by
methods trained using only set-based loss functions, resulting in
reconstructions short-circuiting the surface or cutting corners. To address
this issue, we propose learning an image-conditioned mapping function from a
canonical sampling domain to a high dimensional space where the Euclidean
distance is equal to the geodesic distance on the object. The first three
dimensions of a mapped sample correspond to its 3D coordinates. The additional
lifted components contain information about the underlying geodesic structure.
Our results show that taking advantage of these learned lifted coordinates
yields better performance for estimating surface normals and generating
surfaces than using point cloud reconstructions alone. Further, we find that
this learned geodesic embedding space provides useful information for
applications such as unsupervised object decomposition.
- Abstract(参考訳): シングルビュー3Dオブジェクト再構成は、主に自然界におけるオブジェクトの形態的多様性のために、コンピュータビジョンにおいて難しい根本的な問題である。
特に、高曲率領域は、セットベース損失関数のみを用いて訓練された手法によって常に効果的に捕捉されるわけではない。
特に、高曲率領域は、セットベース損失関数のみを用いて訓練された手法によって常に効果的に捕捉されるわけではない。
そこで本稿では,対象の測地線距離とユークリッド距離が等しい高次元空間に対して,標準サンプリング領域から画像条件付きマッピング関数を学習することを提案する。
写像されたサンプルの最初の3次元は、その3次元座標に対応する。
追加の持ち上げされたコンポーネントは、基礎となる測地構造に関する情報を含んでいる。
以上の結果から, 学習した昇降座標を活かすと, 表面正規値の推定や表層生成に, 点雲の再構成のみを用いた場合よりも優れた性能が得られることがわかった。
さらに、この学習された測地線埋め込み空間は、教師なしオブジェクト分解のようなアプリケーションに有用な情報を提供する。
関連論文リスト
- Normal-guided Detail-Preserving Neural Implicit Functions for High-Fidelity 3D Surface Reconstruction [6.4279213810512665]
RGBまたはRGBD画像からニューラル暗黙表現を学習する現在の方法は、欠落した部分と詳細を持つ3D曲面を生成する。
本稿では,1次微分特性を持つニューラル表現のトレーニング,すなわち表面正規化が,高精度な3次元表面再構成をもたらすことを示す。
論文 参考訳(メタデータ) (2024-06-07T11:48:47Z) - LISR: Learning Linear 3D Implicit Surface Representation Using Compactly
Supported Radial Basis Functions [5.056545768004376]
部分的かつノイズの多い3次元点雲スキャンから物体を3次元表面で再構成することは、古典的な幾何学処理と3次元コンピュータビジョンの問題である。
本稿では,物体の3次元表面の線形暗黙的形状表現を学習するためのニューラルネットワークアーキテクチャを提案する。
提案手法は,ベンチマークデータセットの最先端手法よりも,チャムファー距離と同等のFスコアを実現する。
論文 参考訳(メタデータ) (2024-02-11T20:42:49Z) - LIST: Learning Implicitly from Spatial Transformers for Single-View 3D
Reconstruction [5.107705550575662]
Listは、局所的およびグローバルな画像特徴を活用して、単一の画像から3Dオブジェクトの幾何学的および位相的構造を再構築する、新しいニューラルネットワークである。
合成画像と実世界の画像から3Dオブジェクトを再構成する際のモデルの有用性を示す。
論文 参考訳(メタデータ) (2023-07-23T01:01:27Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。
本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。
我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
論文 参考訳(メタデータ) (2022-08-04T14:13:35Z) - RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。
インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。
我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
論文 参考訳(メタデータ) (2020-11-30T12:58:05Z) - Geo-PIFu: Geometry and Pixel Aligned Implicit Functions for Single-view
Human Reconstruction [97.3274868990133]
Geo-PIFuは、着物の単色画像から3Dメッシュを復元する方法である。
提案手法は,クエリポイントの符号化と潜在ボクセル特徴を用いたグローバルな形状の制約を両立させることで,人間のメッシュの形状歪みの低減と,競合する手法と比較して表面の細部の改善を図っている。
論文 参考訳(メタデータ) (2020-06-15T01:11:48Z) - Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from
a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。
我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。
ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文 参考訳(メタデータ) (2020-04-02T17:58:05Z)
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。