論文の概要: PanoDR: Spherical Panorama Diminished Reality for Indoor Scenes

• arxiv url: http://arxiv.org/abs/2106.00446v1
• Date: Tue, 1 Jun 2021 12:56:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 14:17:37.491669
• Title: PanoDR: Spherical Panorama Diminished Reality for Indoor Scenes
• Title（参考訳）: パノDR:屋内シーンの球状パノラマが消滅
• Authors: V. Gkitsas, V. Sterzentsenko, N. Zioulis, G. Albanis, D. Zarpalas
• Abstract要約: Diminished Reality (DR)は、シーン内の既存のオブジェクトを削除するために、そのようなアプリケーションの要件を満たす。 屋内(再)計画アプリケーションにおける「現実」の保存には,シーンの構造保存が不可欠である。 本研究では,まず屋内シーンの構造を予測するモデルを提案し,そのモデルを用いて,同じシーンの空の背景のみを再現する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rising availability of commercial $360^\circ$ cameras that democratize indoor scanning, has increased the interest for novel applications, such as interior space re-design. Diminished Reality (DR) fulfills the requirement of such applications, to remove existing objects in the scene, essentially translating this to a counterfactual inpainting task. While recent advances in data-driven inpainting have shown significant progress in generating realistic samples, they are not constrained to produce results with reality mapped structures. To preserve the `reality' in indoor (re-)planning applications, the scene's structure preservation is crucial. To ensure structure-aware counterfactual inpainting, we propose a model that initially predicts the structure of an indoor scene and then uses it to guide the reconstruction of an empty -- background only -- representation of the same scene. We train and compare against other state-of-the-art methods on a version of the Structured3D dataset modified for DR, showing superior results in both quantitative metrics and qualitative results, but more interestingly, our approach exhibits a much faster convergence rate. Code and models are available at https://vcl3d.github.io/PanoDR/ .
• Abstract（参考訳）: 屋内スキャンを民主化する商用360^\circ$カメラの普及により、内部空間の再設計などの新しい応用への関心が高まっている。 縮小現実(英語版) (dr) はそのような応用要件を満たし、シーン内の既存のオブジェクトを取り除き、実質的には偽りの塗りつぶしタスクに翻訳する。 近年のデータ駆動塗布の進歩は、現実的なサンプルの生成において顕著な進歩を見せているが、現実の地図構造による結果の生成には制約がない。 屋内(再計画)アプリケーションにおける「現実」を保つためには,シーンの構造保存が重要である。 そこで本研究では,室内シーンの構造を最初に予測し,それを用いて同一シーンの空-背景のみ-表現の再構築を導くモデルを提案する。 dr用に修正されたstructured3dデータセットのバージョンで、他の最先端の手法をトレーニングして比較し、定量的測定と質的結果の両方において優れた結果を示しているが、より興味深いことに、このアプローチはより高速な収束率を示している。 コードとモデルはhttps://vcl3d.github.io/panodr/で入手できる。

関連論文リスト

• Forest2Seq: Revitalizing Order Prior for Sequential Indoor Scene Synthesis [109.50718968215658]
  本研究では,屋内シーンの合成を順序認識型シーケンシャル学習問題として定式化するフレームワークであるフォレスト2Seqを提案する。 クラスタリングに基づくアルゴリズムと幅優先のアルゴリズムを用いることで、フォレスト2セックは意味のある順序付けを導き、トランスフォーマーを使用してリアルな3Dシーンを自動回帰的に生成する。
  論文  参考訳（メタデータ） (2024-07-07T14:32:53Z)
• Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
  混合離散連続拡散モデルアーキテクチャであるMiDiffusionを提案する。 シーンレイアウトを2次元のフロアプランとオブジェクトの集合で表現し、それぞれがそのカテゴリ、場所、サイズ、方向で定義する。 実験により,MiDiffusionは床条件下での3次元シーン合成において,最先端の自己回帰モデルや拡散モデルよりもかなり優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T17:54:52Z)
• Windowed-FourierMixer: Enhancing Clutter-Free Room Modeling with Fourier Transform [3.864321514889099]
  室内空間の内部構造をモデル化する上で,単一画像からの室内環境の塗布が重要な役割を担っている。 我々はU-Formerアーキテクチャと新しいWindowed-FourierMixerブロックに基づく革新的なアプローチを提案する。 この新たなアーキテクチャは、対称性が普及する屋内シーンに関わるタスクに有利であることが証明されている。
  論文  参考訳（メタデータ） (2024-02-28T12:27:28Z)
• DeepDR: Deep Structure-Aware RGB-D Inpainting for Diminished Reality [12.84124441493612]
  ダイミネート・リアリティ(Dminished Reality, DR)とは、現実の物体を仮想的に背景に置き換えることで環境から取り除くことを指す。 近年の深層学習による塗り絵は有望であるが,コヒーレントな構造と3次元幾何を生成する必要があるため,DRのユースケースは複雑である。 本稿では,DR のすべての要件を満たす最初の RGB-D インペイントフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-01T12:12:58Z)
• Visual Localization using Imperfect 3D Models from the Internet [54.731309449883284]
  本稿では,3次元モデルにおける欠陥が局所化精度に与える影響について検討する。 インターネットから得られる3Dモデルは、容易に表現できるシーン表現として有望であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T16:15:05Z)
• Floorplan-Aware Camera Poses Refinement [2.294014185517203]
  フロアプランは空間情報の有用な情報源であり、3次元モデルの最適化を導くことができる。 本稿では,シーン構造に関する事前知識をフロアプラン形式で活用する,従来のBAを拡張した新しい最適化アルゴリズムを提案する。 レッドウッドデータセットと自己キャプチャーデータを用いた実験により,フロアプランの利用により3次元再構成の精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-10-10T11:24:10Z)
• Towards High-Fidelity Single-view Holistic Reconstruction of Indoor Scenes [50.317223783035075]
  単視点画像から総合的な3次元屋内シーンを再構築するための新しい枠組みを提案する。 詳細なオブジェクト再構成のためのインスタンス整列型暗黙関数(InstPIFu)を提案する。 私たちのコードとモデルは公開されます。
  論文  参考訳（メタデータ） (2022-07-18T14:54:57Z)
• NeuRIS: Neural Reconstruction of Indoor Scenes Using Normal Priors [84.66706400428303]
  室内シーンを高品質に再現する新手法NeuRISを提案する。 NeuRISは、ニューラルネットワークのフレームワークにおいて、室内シーンの推定正規性を前者として統合している。 実験により、NeuRISは再建品質の点で最先端の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2022-06-27T19:22:03Z)
• NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping [29.3378360000956]
  本稿では,ニューラル暗黙表現の最近の進歩を活かした新しい3次元マッピング手法を提案する。 ニューラルな暗黙表現をインクリメンタルに構築し、更新するための融合戦略とトレーニングパイプラインを提案する。 インクリメンタルに構築された占有マップは,CPU上でもリアルタイムに取得可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-18T15:45:05Z)
• SCFusion: Real-time Incremental Scene Reconstruction with Semantic Completion [86.77318031029404]
  本研究では,シーン再構成とセマンティックシーン補完を段階的かつリアルタイムに共同で行うフレームワークを提案する。 我々のフレームワークは、3Dグローバルモデルでセマンティックコンプリートを正確かつ効率的に融合させるために、占有マップを処理し、ボクセル状態を活用するように設計された新しいニューラルアーキテクチャに依存している。
  論文  参考訳（メタデータ） (2020-10-26T15:31:52Z)

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。