論文の概要: Geometric Processing for Image-based 3D Object Modeling
- arxiv url: http://arxiv.org/abs/2106.14307v1
- Date: Sun, 27 Jun 2021 18:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 18:06:00.443031
- Title: Geometric Processing for Image-based 3D Object Modeling
- Title（参考訳）: 画像に基づく3次元物体モデリングのための幾何学的処理
- Authors: Rongjun Qin, Xu Huang
- Abstract要約: 本稿では,幾何処理の3つの主要構成要素の最先端手法について紹介する:(1)ジオレファレンス; 2)画像密度マッチング3)テクスチャマッピング。
3Dオブジェクト再構成ワークフローにおける画像の大部分が自動化された幾何処理は、現実的な3Dモデリングの重要な部分となっている。
- 参考スコア（独自算出の注目度）: 2.6397379133308214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-based 3D object modeling refers to the process of converting raw
optical images to 3D digital representations of the objects. Very often, such
models are desired to be dimensionally true, semantically labeled with
photorealistic appearance (reality-based modeling). Laser scanning was deemed
as the standard (and direct) way to obtaining highly accurate 3D measurements
of objects, while one would have to abide the high acquisition cost and its
unavailability on some of the platforms. Nowadays the image-based methods
backboned by the recently developed advanced dense image matching algorithms
and geo-referencing paradigms, are becoming the dominant approaches, due to its
high flexibility, availability and low cost. The largely automated geometric
processing of images in a 3D object reconstruction workflow, from
ordered/unordered raw imagery to textured meshes, is becoming a critical part
of the reality-based 3D modeling. This article summarizes the overall geometric
processing workflow, with focuses on introducing the state-of-the-art methods
of three major components of geometric processing: 1) geo-referencing; 2) Image
dense matching 3) texture mapping. Finally, we will draw conclusions and share
our outlooks of the topics discussed in this article.
- Abstract（参考訳）: 画像に基づく3Dオブジェクトモデリングは、生の光学画像をオブジェクトの3Dデジタル表現に変換するプロセスを指す。
このようなモデルは、しばしば、次元的に真で、意味的にフォトリアリスティックな外観(現実に基づくモデリング)でラベル付けされることが望まれる。
レーザースキャンは、高精度な物体の3D計測を得るための標準(および直接)の方法と見なされ、高い取得コストと一部のプラットフォームでの利用不能を回避しなければならない。
近年,高度な高密度画像マッチングアルゴリズムと地理参照パラダイムによってバックボーンとなる画像ベース手法が,その柔軟性,可用性,低コストの面から主流となっている。
3Dオブジェクト再構築ワークフローにおける画像のほぼ自動的な幾何処理は、秩序付き/非秩序な生画像からテクスチャ化されたメッシュに至るまで、現実的な3Dモデリングの重要な部分となっている。
本稿では、幾何学的処理の3つの主要コンポーネントの最先端手法の導入に焦点を当てた、全体的な幾何学的処理のワークフローを要約する: 1)ジオレファレンス; 2)画像密集マッチング 3)テクスチャマッピング。
最後に、結論を導き、この記事で議論されたトピックの展望を共有します。
関連論文リスト
- Edify 3D: Scalable High-Quality 3D Asset Generation [53.86838858460809]
Edify 3Dは高品質な3Dアセット生成のために設計された高度なソリューションである。
提案手法は,2分間で詳細な形状,清潔な形状のトポロジ,高分解能なテクスチャ,材料で高品質な3Dアセットを生成できる。
論文 参考訳（メタデータ） (2024-11-11T17:07:43Z) - GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。
従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。
GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
論文 参考訳（メタデータ） (2024-06-21T17:49:31Z) - LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。
彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。
生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
論文 参考訳（メタデータ） (2024-05-24T15:09:12Z) - ComboVerse: Compositional 3D Assets Creation Using Spatially-Aware Diffusion Guidance [76.7746870349809]
複雑な構成で高品質な3Dアセットを生成する3D生成フレームワークであるComboVerseについて,複数のモデルを組み合わせることを学習して紹介する。
提案手法は,標準スコア蒸留法と比較して,物体の空間的アライメントを重視している。
論文 参考訳（メタデータ） (2024-03-19T03:39:43Z) - LIST: Learning Implicitly from Spatial Transformers for Single-View 3D
Reconstruction [5.107705550575662]
Listは、局所的およびグローバルな画像特徴を活用して、単一の画像から3Dオブジェクトの幾何学的および位相的構造を再構築する、新しいニューラルネットワークである。
合成画像と実世界の画像から3Dオブジェクトを再構成する際のモデルの有用性を示す。
論文 参考訳（メタデータ） (2023-07-23T01:01:27Z) - 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) - Fully Understanding Generic Objects: Modeling, Segmentation, and
Reconstruction [33.95791350070165]
2D画像からジェネリックオブジェクトの3D構造を推定することは、コンピュータビジョンの長年の目標です。
半教師付き学習による代替アプローチを取る。
つまり、ジェネリックオブジェクトの2Dイメージでは、カテゴリ、形状、およびアルベドの潜在的な表現に分解します。
完全な形状とアルベドモデリングにより、モデリングとモデルフィッティングの両方で実際の2Dイメージを活用できることを示しています。
論文 参考訳（メタデータ） (2021-04-02T02:39:29Z) - Mask2CAD: 3D Shape Prediction by Learning to Segment and Retrieve [54.054575408582565]
本稿では,既存の3次元モデルの大規模データセットを活用し,画像中の物体の3次元構造を理解することを提案する。
本稿では,実世界の画像と検出対象を共同で検出するMask2CADについて,最も類似したCADモデルとそのポーズを最適化する。
これにより、画像内のオブジェクトのクリーンで軽量な表現が生成される。
論文 参考訳（メタデータ） (2020-07-26T00:08:37Z) - Towards Realistic 3D Embedding via View Alignment [53.89445873577063]
本稿では,3次元モデルを2次元背景画像に現実的に,かつ自動的に埋め込み,新たな画像を構成する,革新的なビューアライメントGAN(VA-GAN)を提案する。
VA-GANはテクスチャジェネレータとディファレンシャルディスクリミネーターで構成され、相互接続され、エンドツーエンドのトレーニングが可能である。
論文 参考訳（メタデータ） (2020-07-14T14:45:00Z)
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。