論文の概要: Incorporating Lambertian Priors into Surface Normals Measurement

• arxiv url: http://arxiv.org/abs/2107.07192v1
• Date: Thu, 15 Jul 2021 08:40:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 14:01:18.452569
• Title: Incorporating Lambertian Priors into Surface Normals Measurement
• Title（参考訳）: 表面正規化測定におけるランベルティアン前駆体の導入
• Authors: Yakun Ju, Muwei Jian, Shaoxiang Guo, Yingyu Wang, Huiyu Zhou, Junyu Dong
• Abstract要約: 非ランベルト面は不規則なシェーディングキューによる測定精度に影響を与える。 ディープニューラルネットワークは、非ランベルト曲面のパフォーマンスをシミュレートするために使われてきた。 本研究では、ランベルティアン前兆を取り入れた測光ステレオネットワークを提案し、表面の正規度をよりよく測定する。
• 参考スコア（独自算出の注目度）: 31.941582586274706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of photometric stereo is to measure the precise surface normal of a 3D object from observations with various shading cues. However, non-Lambertian surfaces influence the measurement accuracy due to irregular shading cues. Despite deep neural networks have been employed to simulate the performance of non-Lambertian surfaces, the error in specularities, shadows, and crinkle regions is hard to be reduced. In order to address this challenge, we here propose a photometric stereo network that incorporates Lambertian priors to better measure the surface normal. In this paper, we use the initial normal under the Lambertian assumption as the prior information to refine the normal measurement, instead of solely applying the observed shading cues to deriving the surface normal. Our method utilizes the Lambertian information to reparameterize the network weights and the powerful fitting ability of deep neural networks to correct these errors caused by general reflectance properties. Our explorations include: the Lambertian priors (1) reduce the learning hypothesis space, making our method learn the mapping in the same surface normal space and improving the accuracy of learning, and (2) provides the differential features learning, improving the surfaces reconstruction of details. Extensive experiments verify the effectiveness of the proposed Lambertian prior photometric stereo network in accurate surface normal measurement, on the challenging benchmark dataset.
• Abstract（参考訳）: 測光ステレオの目標は、様々なシェーディング手がかりを用いた観測から3次元物体の正確な表面正常度を測定することである。 しかし、非ランベルト曲面は不規則な陰影による測定精度に影響を与える。 非ランベルト曲面の性能をシミュレートするためにディープニューラルネットワークが用いられてきたが、スペクティリティ、シャドウ、クリンクル領域の誤差は減少しにくい。 この課題に対処するために,ランベルティアン事前を組み込んだ測光ステレオネットワークを提案し,表面の正常さをよりよく測定する。 本稿では,観測されたシェーディングキューのみを用いて表面の正規を導出する代わりに,ランベルトの仮定の下で初期正規を先行情報として,正規測定を洗練させる。 提案手法では,ネットワーク重みのパラメータ化と深部ニューラルネットワークの強力な適合性を利用して,一般反射特性による誤りを補正する。 ランバーティアン先行研究は,(1)学習仮説空間を減らし,同一表面の正規空間におけるマッピングを学習させ,学習精度を向上させ,(2)学習の差分特徴を提供し,細部の表面再構成を改善した。 提案するランベルチアン事前測光ステレオネットワークの高精度表面正規測定における有効性を検証する実験が, 挑戦的ベンチマークデータセット上で行われた。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• High-quality Surface Reconstruction using Gaussian Surfels [18.51978059665113]
  本稿では,3次元ガウス点におけるフレキシブルな最適化手法の利点を組み合わせるために,新しい点ベース表現であるガウス波について提案する。 これは、3Dガウス点のzスケールを0に設定し、元の3D楕円体を2D楕円形に効果的に平らにする。 局所的なz軸を通常の方向として扱うことにより、最適化安定性と表面アライメントを大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-27T04:13:39Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• D2NT: A High-Performing Depth-to-Normal Translator [14.936434857460622]
  本稿では,3次元座標を計算せずに深度画像を表面正規写像に変換する超高速深度-正規変換器(D2NT)を提案する。 次に、不連続認識勾配フィルタ(DAG)と、任意の深さから正規SNEに容易に統合できる表面正規化モジュールを提案する。 提案アルゴリズムは,既存の実時間SNEの中で最高の精度を示し,効率と精度のSoTAトレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-24T12:08:03Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• Edge-preserving Near-light Photometric Stereo with Neural Surfaces [76.50065919656575]
  近光光度ステレオで解析的に微分可能なニューラルサーフェスを導入し、シャープ深度エッジでの微分誤差を回避する。 合成シーンと実世界のシーンの両方で実験を行い, エッジ保存による詳細な形状復元法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-07-11T04:51:43Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• Deep Photometric Stereo for Non-Lambertian Surfaces [89.05501463107673]
  我々は、PS-FCNと呼ばれる、校正された測光ステレオのための完全な畳み込みディープネットワークを導入する。 PS-FCNは反射率観測から表面正規へのマッピングを学習し、一般的な等方反射率と未知の等方反射率で表面を処理できる。 光方向が不明な未定のシナリオに対処するため、入力画像から光方向を推定するLCNetという新しい畳み込みネットワークを導入する。
  論文  参考訳（メタデータ） (2020-07-26T15:20:53Z)

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。