論文の概要: Learning Occupancy Function from Point Clouds for Surface Reconstruction
- arxiv url: http://arxiv.org/abs/2010.11378v1
- Date: Thu, 22 Oct 2020 02:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 05:49:13.559328
- Title: Learning Occupancy Function from Point Clouds for Surface Reconstruction
- Title（参考訳）: 表面再構成のための点雲からの操作関数の学習
- Authors: Meng Jia and Matthew Kyan
- Abstract要約: 表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。
本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 6.85316573653194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implicit function based surface reconstruction has been studied for a long
time to recover 3D shapes from point clouds sampled from surfaces. Recently,
Signed Distance Functions (SDFs) and Occupany Functions are adopted in
learning-based shape reconstruction methods as implicit 3D shape
representation. This paper proposes a novel method for learning occupancy
functions from sparse point clouds and achieves better performance on
challenging surface reconstruction tasks. Unlike the previous methods, which
predict point occupancy with fully-connected multi-layer networks, we adapt the
point cloud deep learning architecture, Point Convolution Neural Network
(PCNN), to build our learning model. Specifically, we create a sampling
operator and insert it into PCNN to continuously sample the feature space at
the points where occupancy states need to be predicted. This method natively
obtains point cloud data's geometric nature, and it's invariant to point
permutation. Our occupancy function learning can be easily fit into procedures
of point cloud up-sampling and surface reconstruction. Our experiments show
state-of-the-art performance for reconstructing With ShapeNet dataset and
demonstrate this method's well-generalization by testing it with McGill 3D
dataset \cite{siddiqi2008retrieving}. Moreover, we find the learned occupancy
function is relatively more rotation invariant than previous shape learning
methods.
- Abstract（参考訳）: 表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。
近年,暗黙的な3次元形状表現として,SDF(Signed Distance Function)とOccupany関数が学習に基づく形状再構成手法に採用されている。
本稿では, 疎点雲から占有関数を学習する新しい手法を提案し, 挑戦的表面再構成タスクにおいて, より良い性能を実現する。
完全に接続された多層ネットワークでポイント占有率を予測する従来の手法とは異なり、ポイントクラウド深層学習アーキテクチャ、ポイント畳み込みニューラルネットワーク(PCNN)を適用して学習モデルを構築する。
具体的には、サンプリング演算子を作成し、PCNNに挿入して、占有状態を予測する必要がある点において、連続的に特徴空間をサンプリングする。
この方法は、点雲データの幾何学的性質をネイティブに取得し、点置換に不変である。
私たちの占有機能学習は、ポイントクラウドアップサンプリングと表面再構成の手順に容易に適合することができる。
本実験は,ShapeNetデータセットを再構成するための最先端性能を示し,McGill 3Dデータセット \cite{siddiqi2008retrieving} を用いて本手法の一般化を実証する。
さらに,学習した占有関数は,従来の形状学習法よりも比較的回転不変であることがわかった。
関連論文リスト
- Learning Unsigned Distance Fields from Local Shape Functions for 3D Surface Reconstruction [42.840655419509346]
本稿では, 局所形状関数を利用してUDFを学習し, 3次元点雲から表面を再構成する新しいニューラルネットワーク, LoSF-UDFを提案する。
3D形状は局所的な領域で単純なパターンを示すので、ポイントクラウドパッチのトレーニングデータセットを作成するのに役立ちます。
提案手法は,各問合せ点付近の特定の半径内の特徴を学習し,注意機構を用いてUDF推定の重要な特徴に焦点をあてる。
論文 参考訳（メタデータ） (2024-07-01T14:39:03Z) - Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - 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) - CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。
我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。
学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
論文 参考訳（メタデータ） (2022-10-06T08:51:08Z) - Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。
我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。
我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
論文 参考訳（メタデータ） (2021-11-18T05:30:35Z) - Shape As Points: A Differentiable Poisson Solver [118.12466580918172]
本稿では,ポアソン表面再構成 (PSR) の微分可能な定式化を用いた,微分可能な点間メッシュ層を提案する。
微分可能なPSR層は、暗示指標場を介して、明示的な3D点表現を3Dメッシュに効率よく、かつ、差別的にブリッジすることができる。
ニューラル暗黙の表現と比較して、私たちのシェープ・アズ・ポイント(SAP)モデルはより解釈可能で、軽量で、1桁の推論時間を加速します。
論文 参考訳（メタデータ） (2021-06-07T09:28:38Z) - Deep Implicit Moving Least-Squares Functions for 3D Reconstruction [23.8586965588835]
本研究では, 離散点集合を平滑曲面に変換し, よく知られた暗黙的移動最小二乗曲面(IMLS)の定式化を提案する。
IMLS表面生成を深層ニューラルネットワークに組み込んで、点集合の柔軟性と暗黙曲面の高品質の両方を継承する。
3Dオブジェクト再構築の実験では、IMLSNetsが再構築品質と計算効率の点で最先端の学習ベースの方法を上回ることを実証しています。
論文 参考訳（メタデータ） (2021-03-23T02:26:07Z) - 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) - Neural-Pull: Learning Signed Distance Functions from Point Clouds by
Learning to Pull Space onto Surfaces [68.12457459590921]
3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。
textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
論文 参考訳（メタデータ） (2020-11-26T23:18:10Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳（メタデータ） (2020-08-18T06:33:40Z)
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。