Fugu-MT 論文翻訳(概要): Out-of-Core Surface Reconstruction via Global $TGV$ Minimization

論文の概要: Out-of-Core Surface Reconstruction via Global $TGV$ Minimization

arxiv url: http://arxiv.org/abs/2107.14790v1
Date: Fri, 30 Jul 2021 17:48:22 GMT
ステータス: 処理完了
システム内更新日: 2021-08-02 14:00:53.013793
Title: Out-of-Core Surface Reconstruction via Global $TGV$ Minimization
Title（参考訳）: グローバル$TGV$最小化によるコア外表面再構成
Authors: Nikolai Poliarnyi
Abstract要約: 配向深度マップから表面再構成を行うために, コア外変分法を提案する。我々の主な貢献は、任意の大きさの現実世界のシーンを扱えるこの数値アルゴリズムの、コア外OpenCL加速適応である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an out-of-core variational approach for surface reconstruction from a set of aligned depth maps. Input depth maps are supposed to be reconstructed from regular photos or/and can be a representation of terrestrial LIDAR point clouds. Our approach is based on surface reconstruction via total generalized variation minimization ($TGV$) because of its strong visibility-based noise-filtering properties and GPU-friendliness. Our main contribution is an out-of-core OpenCL-accelerated adaptation of this numerical algorithm which can handle arbitrarily large real-world scenes with scale diversity.
Abstract（参考訳）: 本稿では,一組のアライメント深度マップから表面再構成のためのコア外変分法を提案する。入力深度マップは、通常の写真や/または地上のLIDAR点雲から再構成されるはずである。当社のアプローチは, 可視性に基づくノイズフィルタリング特性とGPUフレンドリ性により, 全一般化変分最小化(TGV$)による表面再構成に基づいている。我々の主な貢献は、スケールの多様性を伴う任意の大きさの現実世界のシーンを扱える、この数値アルゴリズムのコア外OpenCL加速適応である。

関連論文リスト

Refinement of Monocular Depth Maps via Multi-View Differentiable Rendering [4.717325308876748]
本稿では,複数の画像から一貫した詳細な深度マップを生成するための新しい手法を提案する。我々は、位相的に完全だが計量的に不正確な深度マップを生成する単眼深度推定の進歩を活用する。提案手法は,高密度で詳細で高品質な深度マップを作成でき,また屋内シナリオの挑戦も可能であり,最先端の深度復元手法よりも優れている。
論文参考訳（メタデータ） (2024-10-04T18:50:28Z)
Simultaneous Map and Object Reconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。我々は、最近の新しいビュー合成法から着想を得て、大域的な最適化として再構築問題を提起する。連続動作の慎重なモデリングにより, 回転するLiDARセンサの回転シャッター効果を補うことができる。
論文参考訳（メタデータ） (2024-06-19T23:53:31Z)
Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文参考訳（メタデータ） (2024-01-06T12:32:25Z)
AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
論文参考訳（メタデータ） (2023-10-15T05:15:45Z)
Neural Kernel Surface Reconstruction [80.51581494300423]
本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
論文参考訳（メタデータ） (2023-05-31T06:25:18Z)
Multi-View Stereo Representation Revisit: Region-Aware MVSNet [8.264851594332677]
深層学習に基づく多視点ステレオは,全幾何学的詳細オブジェクトを多視点から再構成するための強力なパラダイムとして登場した。本研究では, RA-MVSNetを用いて, モデルがより広い範囲の表面を知覚できるように, 点-面間距離の利点を生かし, RA-MVSNetを提案する。提案するRA-MVSNetは,表面のパッチと仮説平面を関連付けることにより知覚範囲が拡張されるため,パッチアワードである。
論文参考訳（メタデータ） (2023-04-26T15:17:51Z)
Learning Continuous Depth Representation via Geometric Spatial Aggregator [47.1698365486215]
深度マップ超解法(DSR)のための新しい連続深度表現法を提案する。この表現の中心は我々の提案した幾何空間アグリゲータ(GSA)であり、これは任意にアップサンプリングされたターゲットグリッドにより変調された距離場を利用する。また、局所座標間の関数マッピングを構築するための原理的な方法を持つGeoDSRというトランスフォーマースタイルのバックボーンも提示する。
論文参考訳（メタデータ） (2022-12-07T07:48:23Z)
nLMVS-Net: Deep Non-Lambertian Multi-View Stereo [24.707415091168556]
本稿では,画素ごとの奥行きを同時に再現できる新しい多視点ステレオ(MVS)手法を提案する。私たちのキーとなるアイデアは、MVSをエンドツーエンドの学習可能なネットワークとして定式化することです。
論文参考訳（メタデータ） (2022-07-25T02:20:21Z)
3D Surface Reconstruction From Multi-Date Satellite Images [11.84274417463238]
本研究では,複数の衛星画像から点雲を再構成することのできるStructure from Motion (SfM) ベースのパイプラインの拡張を提案する。衛星画像のコンテキストにおいて、最先端メッシュ再構成アルゴリズムを利用するために必須となるいくつかのステップについて、詳細な説明を提供する。提案したパイプラインと現在のメッシュアルゴリズムが組み合わさって、完全性と中央値エラーの点で最先端のクラウド再構築アルゴリズムより優れていることを示す。
論文参考訳（メタデータ） (2021-02-04T09:23:21Z)
Efficient Depth Completion Using Learned Bases [94.0808155168311]
深度補正のための新しい大域的幾何制約を提案する。低次元部分空間上によく配置される深さ写像を仮定することにより、高密度深度写像は全解像度の主深度基底の重み付け和で近似することができる。
論文参考訳（メタデータ） (2020-12-02T11:57:37Z)
Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。これらの深度マップは、異なるビューを粗く整列するために使用される。本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-03-27T21:28:54Z)

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。