論文の概要: Improving Multi-View Stereo via Super-Resolution

• arxiv url: http://arxiv.org/abs/2107.13261v1
• Date: Wed, 28 Jul 2021 10:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 14:10:15.627943
• Title: Improving Multi-View Stereo via Super-Resolution
• Title（参考訳）: 超解像によるマルチビューステレオの改良
• Authors: Eugenio Lomurno, Andrea Romanoni, Matteo Matteucci
• Abstract要約: マルチビューステレオ技術は、堅牢で詳細な3Dモデルを再構築することができる。 例えば、古い写真を扱う場合、入力画像の解像度が比較的低いケースもある。 その結果,ほとんどの場合,深度マップを復元する前に超解法を適用すれば,より優れた3次元モデルが得られることがわかった。
• 参考スコア（独自算出の注目度）: 16.887485428725043
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Today, Multi-View Stereo techniques are able to reconstruct robust and detailed 3D models, especially when starting from high-resolution images. However, there are cases in which the resolution of input images is relatively low, for instance, when dealing with old photos, or when hardware constrains the amount of data that can be acquired. In this paper, we investigate if, how, and how much increasing the resolution of such input images through Super-Resolution techniques reflects in quality improvements of the reconstructed 3D models, despite the artifacts that sometimes this may generate. We show that applying a Super-Resolution step before recovering the depth maps in most cases leads to a better 3D model both in the case of PatchMatch-based and deep-learning-based algorithms. The use of Super-Resolution improves especially the completeness of reconstructed models and turns out to be particularly effective in the case of textured scenes.
• Abstract（参考訳）: 現在、マルチビューステレオ技術は、特に高解像度画像から始める際に、堅牢で詳細な3Dモデルを再構築することができる。 しかし、例えば古い写真を扱う場合や、ハードウェアが取得可能なデータの量を制限する場合など、入力画像の解像度が比較的低い場合があります。 本稿では,超解像技術による入力画像の解像度向上が,時に生成するアーティファクトにもかかわらず,再構成された3dモデルの品質改善を反映しているかどうか,その方法,およびその程度について検討する。 深層マップを復元する前に超解像ステップを適用すると,パッチマッチに基づくアルゴリズムとディープラーニングに基づくアルゴリズムの両方において,より優れた3dモデルが得られることを示す。 超解法の使用は、特に再構成されたモデルの完全性を改善し、テクスチャ化されたシーンでは特に有効であることが判明した。

関連論文リスト

• Hi3D: Pursuing High-Resolution Image-to-3D Generation with Video Diffusion Models [112.2625368640425]
  High- resolution Image-to-3D model (Hi3D) はビデオ拡散に基づく新しいパラダイムであり、単一の画像を3D対応シーケンシャル画像生成としてマルチビュー画像に再定義する。 Hi3Dは事前に学習した映像拡散モデルを3D対応で強化し、低解像度のテクスチャディテールを持つマルチビュー画像を生成する。
  論文  参考訳（メタデータ） (2024-09-11T17:58:57Z)
• LGM: Large Multi-View Gaussian Model for High-Resolution 3D Content Creation [51.19871052619077]
  テキストプロンプトやシングルビュー画像から高解像度の3Dモデルを生成するための新しいフレームワークであるLarge Multi-View Gaussian Model (LGM)を紹介する。 我々は,5秒以内に3Dオブジェクトを生成する高速な速度を維持しながら,トレーニング解像度を512に向上し,高解像度な3Dコンテンツ生成を実現する。
  論文  参考訳（メタデータ） (2024-02-07T17:57:03Z)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)
• End-to-End Multi-View Structure-from-Motion with Hypercorrelation Volumes [7.99536002595393]
  この問題に対処するために深層学習技術が提案されている。 我々は現在最先端の2次元構造であるSfM(SfM)のアプローチを改善している。 一般的なマルチビューのケースに拡張し、複雑なベンチマークデータセットDTUで評価する。
  論文  参考訳（メタデータ） (2022-09-14T20:58:44Z)
• 3D Human Pose, Shape and Texture from Low-Resolution Images and Videos [107.36352212367179]
  本稿では,解像度認識ネットワーク,自己スーパービジョン損失,コントラスト学習スキームからなるrsc-netを提案する。 提案手法は1つのモデルで異なる解像度で3次元物体のポーズと形状を学習できる。 低解像度映像を扱うRSC-Netを拡張し、低解像度入力からテクスチャ化された3D歩行者の再構築に適用します。
  論文  参考訳（メタデータ） (2021-03-11T06:52:12Z)
• Deep learning architectural designs for super-resolution of noisy images [7.657378889055478]
  本研究では,デノジングと超解像を共同で行うことを提案する。 In-network"は両方のタスクを機能レベルで組み合わせ、"pre-network"はまずデノベーションを行い、次に超解像を行う。 ネットワーク前設計は、既存の超解像モデルにおける病理的故障である、目に見えないタイプの画像劣化に対して優れた性能を示す。
  論文  参考訳（メタデータ） (2021-02-09T20:09:42Z)
• Detailed 3D Human Body Reconstruction from Multi-view Images Combining Voxel Super-Resolution and Learned Implicit Representation [12.459968574683625]
  多視点画像から詳細な3次元人体を再構築する粗い方法を提案する。 粗い3Dモデルは、マルチスケールな特徴に基づいて暗黙表現を学習することによって推定される。 洗練された3D人体モデルは、詳細を保存できるボクセル超解像によって製造することができる。
  論文  参考訳（メタデータ） (2020-12-11T08:07:39Z)
• 3D Human Shape and Pose from a Single Low-Resolution Image with Self-Supervised Learning [105.49950571267715]
  3次元人物形状とポーズ推定のための既存のディープラーニング手法は、比較的高解像度な入力画像に依存している。 本稿では,レゾリューション・アウェア・ネットワーク,セルフ・スーパービジョン・ロス,コントラッシブ・ラーニング・スキームからなるRCC-Netを提案する。 これら2つの新たなトレーニング損失は,3次元形状を学習し,弱教師ありの姿勢を示す。
  論文  参考訳（メタデータ） (2020-07-27T16:19:52Z)
• A Simple and Scalable Shape Representation for 3D Reconstruction [22.826897662839357]
  表面の符号付き距離関数(SDF)の主成分分析から得られた線形デコーダを用いて高品質な3次元再構成が得られることを示す。 このアプローチにより、より大規模な解像度へのスケーリングが容易になる。
  論文  参考訳（メタデータ） (2020-05-10T10:22:50Z)
• Learned Multi-View Texture Super-Resolution [76.82725815863711]
  仮想3Dオブジェクトの高解像度テクスチャマップを,そのオブジェクトの低解像度画像の集合から作成できる超高解像度手法を提案する。 本アーキテクチャは, (i) 重なり合うビューの冗長性に基づくマルチビュー超解像の概念と, (ii) 高分解能画像構造の学習先行に基づくシングルビュー超解像の概念を統一する。
  論文  参考訳（メタデータ） (2020-01-14T13:49:22Z)

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。