論文の概要: Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces

• arxiv url: http://arxiv.org/abs/2011.13495v2
• Date: Sun, 23 May 2021 17:54:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 09:13:04.471879
• Title: Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces
• Title（参考訳）: neural-pull:空間を表面に引き込む学習による点雲からの符号付き距離関数の学習
• Authors: Baorui Ma and Zhizhong Han and Yu-Shen Liu and Matthias Zwicker
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.12457459590921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing continuous surfaces from 3D point clouds is a fundamental operation in 3D geometry processing. Several recent state-of-the-art methods address this problem using neural networks to learn signed distance functions (SDFs). In this paper, we introduce \textit{Neural-Pull}, a new approach that is simple and leads to high quality SDFs. Specifically, we train a neural network to pull query 3D locations to their closest points on the surface using the predicted signed distance values and the gradient at the query locations, both of which are computed by the network itself. The pulling operation moves each query location with a stride given by the distance predicted by the network. Based on the sign of the distance, this may move the query location along or against the direction of the gradient of the SDF. This is a differentiable operation that allows us to update the signed distance value and the gradient simultaneously during training. Our outperforming results under widely used benchmarks demonstrate that we can learn SDFs more accurately and flexibly for surface reconstruction and single image reconstruction than the state-of-the-art methods.
• Abstract（参考訳）: 3次元点雲からの連続面の再構成は3次元幾何処理の基本的な操作である。 近年の最先端手法では、ニューラルネットワークを用いて符号付き距離関数(SDF)を学習している。 本稿では, 単純で高品質な SDF を実現する新しいアプローチである \textit{Neural-Pull} を紹介する。 具体的には、ニューラルネットワークをトレーニングして、予測された符号付き距離値と、ネットワーク自体によって計算されるクエリ位置の勾配を用いて、表面上の最も近い点にクエリ3D位置をプルする。 プル操作は、ネットワークによって予測される距離によって与えられるストライドで各クエリロケーションを移動させる。 距離の符号に基づいて、これはSDFの勾配の方向に沿ってまたは反対にクエリ位置を移動させる。 これは、トレーニング中に符号付き距離値と勾配を同時に更新できる、微分可能な操作である。 その結果,SDFは現状の手法よりも表面再構成や単一画像再構成において,より正確かつ柔軟に学習できることが示唆された。

関連論文リスト

• NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds [41.723434094309184]
  無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。 最近の進歩は、ニューラルサインされた距離関数をトレーニングして、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。 我々は三面構造の表現能力を活用して符号付き距離関数の学習を高速化するNumGrad-Pullを導入する。
  論文  参考訳（メタデータ） (2024-11-26T12:54:30Z)
• Statistical Edge Detection And UDF Learning For Shape Representation [1.9799527196428242]
  得られたニューラルUDFの元の3次元表面への忠実度を向上させるUDFの学習法を提案する。 表面縁周辺でのトレーニング点のサンプリングにより,トレーニング済みのニューラルUDFの局所的精度が向上することを示す。 本手法は局所的な幾何学的記述子よりも表面のエッジを高精度に検出する。
  論文  参考訳（メタデータ） (2024-05-06T11:40:57Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• 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)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• 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)

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。