論文の概要: Blazer: Laser Scanning Simulation using Physically Based Rendering
- arxiv url: http://arxiv.org/abs/2104.05430v1
- Date: Mon, 12 Apr 2021 12:56:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:05:44.418607
- Title: Blazer: Laser Scanning Simulation using Physically Based Rendering
- Title（参考訳）: blazer: 物理的レンダリングを用いたレーザー走査シミュレーション
- Authors: Sebastian Grans and Lars Tingelstad
- Abstract要約: リアルな光と物質の相互作用で合成データを生成する仮想ラインレーザースキャナを紹介します。
これにより、新しいアルゴリズムの開発におけるツールとしての使用が認められる。
我々はこの実装をオープンソースライセンスでリリースし、ラインレーザースキャナのさらなる研究を支援する。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Line laser scanners are a sub-type of structured light 3D scanners that are
relatively common devices to find within the industrial setting, typically in
the context of assembly, process control, and welding. Despite its extensive
use, scanning of some materials remain a difficult or even impossible task
without additional pre-processing. For instance, materials which are shiny, or
transparent. In this paper, we present a Blazer, a virtual line laser scanner
that, combined with physically based rendering, produces synthetic data with a
realistic light-matter interaction, and hence realistic appearance. This makes
it eligible for the use as a tool in the development of novel algorithms, and
in particular as a source of synthetic data for training of machine learning
models. Similar systems exist for synthetic RGB-D data generation, but to our
knowledge this the first publicly available implementation for synthetic line
laser data. We release this implementation under an open-source license to aid
further research on line laser scanners.
- Abstract（参考訳）: ラインレーザースキャナー(line laser scanners)は、比較的一般的な工業用3dスキャナのサブタイプで、組み立て、プロセス制御、溶接の文脈で使用される。
広く使われているにもかかわらず、いくつかの材料をスキャンすることは、追加の事前処理なしでは困難または不可能な作業のままである。
例えば、光沢のある、または透明な材料である。
本稿では,仮想ラインレーザスキャナであるBlazerについて述べる。このBlazerは物理ベースレンダリングと組み合わせて,リアルな光-光相互作用を持つ合成データを生成し,現実的な外観を実現する。
これにより、新しいアルゴリズムの開発におけるツールとしての使用、特に機械学習モデルのトレーニングのための合成データのソースとしての使用が可能である。
合成RGB-Dデータ生成には類似したシステムが存在するが、我々の知る限り、これは合成ラインレーザデータに対する最初の公開実装である。
我々はこの実装をオープンソースライセンスでリリースし、ラインレーザースキャナのさらなる研究を支援する。
関連論文リスト
- Relit-NeuLF: Efficient Relighting and Novel View Synthesis via Neural 4D
Light Field [69.90548694719683]
本稿ではRelit-NeuLFと呼ばれる分析合成手法を提案する。
まず、4次元座標系で各光線をパラメータ化し、効率的な学習と推論を可能にする。
総合的な実験により,提案手法は合成データと実世界の顔データの両方において効率的かつ効果的であることが実証された。
論文 参考訳（メタデータ） (2023-10-23T07:29:51Z) - Neural LiDAR Fields for Novel View Synthesis [80.45307792404685]
本稿では,LiDAR計測からニューラルネットワークシーンの表現を最適化する手法であるLiDAR(NFL)について述べる。
NFLは、ニューラルネットワークのレンダリングパワーと、LiDARセンシングプロセスの詳細な物理的動機付けモデルを組み合わせる。
合成されたビューの改良されたリアリズムは、ドメインギャップを実際のスキャンに狭め、より良い登録とセマンティックセグメンテーション性能に変換することを示す。
論文 参考訳（メタデータ） (2023-05-02T17:55:38Z) - SCoDA: Domain Adaptive Shape Completion for Real Scans [78.92028595499245]
点雲からの3D形状の完成は、特に現実世界のオブジェクトのスキャンによる難しい作業である。
合成データから実スキャン形状完了の領域適応のための新しいタスクであるSCoDAを提案する。
本稿では,知識伝達のための新しいクロスドメイン機能融合手法と,実データからの堅牢な学習のための新しいボリューム一貫性の自己学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-20T09:38:26Z) - Label-Free Synthetic Pretraining of Object Detectors [67.17371526567325]
そこで本稿では,SOLID(Synthetic Optimization layout with Instance Detection)という新しい手法を提案する。
筆者らのSOLIDアプローチは,(1)シーンアレンジメントを最適化した非ラベルの3Dモデルを用いた合成画像の生成,(2)"インスタンス検出"タスクにおけるオブジェクト検出の事前学習,の2つの主要コンポーネントから構成される。
当社のアプローチでは,事前学習のためのセマンティックラベルは必要とせず,任意の3Dモデルを使用することが可能である。
論文 参考訳（メタデータ） (2022-08-08T16:55:17Z) - Hands-Up: Leveraging Synthetic Data for Hands-On-Wheel Detection [0.38233569758620045]
この研究は、ドライバモニタリングシステムのトレーニングに合成フォトリアリスティックインキャビンデータを使用することを実証する。
プラットフォームでエラー解析を行い、欠落したエッジケースを生成することで、パフォーマンスが向上することを示す。
これは、人間中心の合成データが現実世界にうまく一般化する能力を示している。
論文 参考訳（メタデータ） (2022-05-31T23:34:12Z) - RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。
データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。
高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
論文 参考訳（メタデータ） (2022-05-14T13:15:32Z) - NViSII: A Scriptable Tool for Photorealistic Image Generation [21.453677837017462]
本稿では,NVIDIA の OptiX 線追跡エンジンと,高品質な合成画像を生成するために設計された OptiX AI denoiser をベースとした Python ベースのシステムを提案する。
我々のツールは複雑な動的3Dシーンの記述と操作を可能にする。
論文 参考訳（メタデータ） (2021-05-28T16:35:32Z) - Virtual laser scanning with HELIOS++: A novel take on ray tracing-based
simulation of topographic 3D laser scanning [0.0]
HELIOS++は、C++で実装された地上静的、移動型、UAVベース、空中レーザースキャンのためのオープンソースのシミュレーションフレームワークである。
HELIOS++のユニークな特徴は、シミュレーションを制御するPythonバインディングの可用性と、3Dシーン表現のためのモデルタイプの範囲である。
論文 参考訳（メタデータ） (2021-01-21T16:39:38Z) - GenScan: A Generative Method for Populating Parametric 3D Scan Datasets [0.9449650062296822]
GenScanは、合成3Dスキャンデータセットをパラメトリックに入力する生成システムです。
我々は,3次元コンピュータビジョン,生成設計,一般的な3次元深層学習タスクで一般的に使用されている,現在限られた3次元幾何データセットを拡張するために,データ拡張を促進できると考えている。
論文 参考訳（メタデータ） (2020-12-07T19:09:38Z) - SimTreeLS: Simulating aerial and terrestrial laser scans of trees [0.0]
我々は,ユーザ定義センサ,軌道,木の形状,レイアウトパラメータによる走査をシミュレートする点雲を生成するオープンソースツールSimTreeLSを提案する。
材料分類はポイントワイズに維持されているため、葉や木質の物質は完全に知られている。
SimTreeLSは、公開ライブラリ上に構築されたオープンソースリソースとして利用できる。
論文 参考訳（メタデータ） (2020-11-24T08:25:42Z) - OpenRooms: An End-to-End Open Framework for Photorealistic Indoor Scene
Datasets [103.54691385842314]
本研究では,屋内シーンの大規模フォトリアリスティックデータセットを作成するための新しいフレームワークを提案する。
私たちの目標は、データセット作成プロセスを広く利用できるようにすることです。
これにより、逆レンダリング、シーン理解、ロボット工学における重要な応用が可能になる。
論文 参考訳（メタデータ） (2020-07-25T06:48:47Z)
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。