論文の概要: Neural Implicit 3D Shapes from Single Images with Spatial Patterns
- arxiv url: http://arxiv.org/abs/2106.03087v1
- Date: Sun, 6 Jun 2021 10:35:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 19:46:29.568333
- Title: Neural Implicit 3D Shapes from Single Images with Spatial Patterns
- Title（参考訳）: 空間パターンを持つ単一画像からのニューラルインプシット3次元形状
- Authors: Yixin Zhuang and Yunzhe Liu and Baoquan Chen
- Abstract要約: 1枚の画像から3次元形状を復元することは、コンピュータビジョンの長年の問題であった。
そこで本研究では,空間パターンの先行点を学習し,その背景となる形状の見えない領域を推定する手法を提案する。
本研究では,空間パターン表現を統合したニューラルネットワークを考案し,提案手法の優位性を示す。
- 参考スコア（独自算出の注目度）: 36.75140806872155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D shape reconstruction from a single image has been a long-standing problem
in computer vision. The problem is ill-posed and highly challenging due to the
information loss and occlusion that occurred during the imagery capture. In
contrast to previous methods that learn holistic shape priors, we propose a
method to learn spatial pattern priors for inferring the invisible regions of
the underlying shape, wherein each 3D sample in the implicit shape
representation is associated with a set of points generated by hand-crafted 3D
mappings, along with their local image features. The proposed spatial pattern
is significantly more informative and has distinctive descriptions on both
visible and occluded locations. Most importantly, the key to our work is the
ubiquitousness of the spatial patterns across shapes, which enables reasoning
invisible parts of the underlying objects and thus greatly mitigates the
occlusion issue. We devise a neural network that integrates spatial pattern
representations and demonstrate the superiority of the proposed method on
widely used metrics.
- Abstract（参考訳）: 単一画像からの3次元形状復元はコンピュータビジョンにおいて長年の課題となっている。
この問題は、画像キャプチャ中に起きた情報損失と閉塞のため、不適切かつ極めて困難である。
従来の全体的形状事前学習法とは対照的に,暗黙的な形状表現における各3dサンプルは,手作りの3dマッピングによって生成された点の集合と,その局所的な画像特徴とを関連付けた空間的パターン事前学習法を提案する。
提案する空間パターンはより有益であり,可視領域と遮蔽領域の両方に特有な記述がある。
最も重要なことは、我々の研究の鍵となるのは、形状をまたいだ空間パターンのユビキタス性であり、それによって、下層の物体の見えない部分を推論し、閉塞問題を大いに軽減することができる。
本研究では,空間パターン表現を統合したニューラルネットワークを考案し,提案手法の優位性を示す。
関連論文リスト
- 3DMiner: Discovering Shapes from Large-Scale Unannotated Image Datasets [34.610546020800236]
3DMinerは、挑戦的なデータセットから3D形状をマイニングするためのパイプラインである。
本手法は最先端の教師なし3次元再構成技術よりもはるかに優れた結果が得られる。
LAION-5Bデータセットから得られる画像の形状を再構成することにより,3DMinerを組込みデータに適用する方法を示す。
論文 参考訳（メタデータ） (2023-10-29T23:08:19Z) - 3D Surface Reconstruction in the Wild by Deforming Shape Priors from
Synthetic Data [24.97027425606138]
1枚の画像から被写体の3次元表面を再構築することは難しい問題である。
本稿では,1枚の画像から3次元合成とオブジェクトポーズ推定を行う新しい手法を提案する。
提案手法は,複数の実世界のデータセットにまたがって,最先端の再構築性能を実現する。
論文 参考訳（メタデータ） (2023-02-24T20:37:27Z) - Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。
我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。
我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文 参考訳（メタデータ） (2022-04-21T03:42:31Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳（メタデータ） (2022-04-09T03:46:18Z) - Facial Geometric Detail Recovery via Implicit Representation [147.07961322377685]
そこで本研究では,一眼の顔画像のみを用いて,テクスチャガイドを用いた幾何的細部復元手法を提案する。
提案手法は,高品質なテクスチャ補完と暗黙の面の強力な表現性を組み合わせたものである。
本手法は, 顔の正確な細部を復元するだけでなく, 正常部, アルベド部, シェーディング部を自己監督的に分解する。
論文 参考訳（メタデータ） (2022-03-18T01:42:59Z) - Learning Canonical 3D Object Representation for Fine-Grained Recognition [77.33501114409036]
本研究では,1枚の画像から3次元空間における物体の変動を再現する微粒な物体認識のための新しいフレームワークを提案する。
我々は,物体を3次元形状とその外観の合成として表現し,カメラ視点の影響を排除した。
深部表現に3次元形状と外観を併用することにより,物体の識別表現を学習する。
論文 参考訳（メタデータ） (2021-08-10T12:19:34Z) - Weakly Supervised Learning of Multi-Object 3D Scene Decompositions Using
Deep Shape Priors [69.02332607843569]
PriSMONetは、単一画像から多目的3Dシーンの分解と表現を学習するための新しいアプローチである。
リカレントエンコーダは、入力されたRGB画像から、各オブジェクトの3D形状、ポーズ、テクスチャの潜時表現を回帰する。
我々は,3次元シーンレイアウトの推測におけるモデルの精度を評価し,その生成能力を実証し,実画像への一般化を評価し,学習した表現の利点を指摘する。
論文 参考訳（メタデータ） (2020-10-08T14:49:23Z) - Learning 3D Human Shape and Pose from Dense Body Parts [117.46290013548533]
本研究では,3次元の人体形状を学習し,身体部分の密接な対応からポーズをとるために,分解・集約ネットワーク(DaNet)を提案する。
ローカルストリームからのメッセージは集約され、回転ベースのポーズの堅牢な予測が強化される。
提案手法は,Human3.6M,UP3D,COCO,3DPWを含む屋内および実世界のデータセットで検証される。
論文 参考訳（メタデータ） (2019-12-31T15:09:51Z)
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。