論文の概要: DensePose 3D: Lifting Canonical Surface Maps of Articulated Objects to
the Third Dimension
- arxiv url: http://arxiv.org/abs/2109.00033v1
- Date: Tue, 31 Aug 2021 18:33:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 14:24:37.932923
- Title: DensePose 3D: Lifting Canonical Surface Maps of Articulated Objects to
the Third Dimension
- Title（参考訳）: DensePose 3D:Articulated Objectsの標準表面マップを3次元にリフティング
- Authors: Roman Shapovalov, David Novotny, Benjamin Graham, Patrick Labatut,
Andrea Vedaldi
- Abstract要約: DensePose 3Dは2次元画像アノテーションのみから弱い教師付きで再構築を学習できる手法である。
3Dスキャンを必要としないため、DensePose 3Dは異なる動物種などの幅広いカテゴリーの学習に利用できる。
我々は,人間と動物のカテゴリーの合成データと実データの両方をベースラインとして,最先端の非剛体構造と比較し,顕著な改善を示した。
- 参考スコア（独自算出の注目度）: 71.71234436165255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We tackle the problem of monocular 3D reconstruction of articulated objects
like humans and animals. We contribute DensePose 3D, a method that can learn
such reconstructions in a weakly supervised fashion from 2D image annotations
only. This is in stark contrast with previous deformable reconstruction methods
that use parametric models such as SMPL pre-trained on a large dataset of 3D
object scans. Because it does not require 3D scans, DensePose 3D can be used
for learning a wide range of articulated categories such as different animal
species. The method learns, in an end-to-end fashion, a soft partition of a
given category-specific 3D template mesh into rigid parts together with a
monocular reconstruction network that predicts the part motions such that they
reproject correctly onto 2D DensePose-like surface annotations of the object.
The decomposition of the object into parts is regularized by expressing part
assignments as a combination of the smooth eigenfunctions of the
Laplace-Beltrami operator. We show significant improvements compared to
state-of-the-art non-rigid structure-from-motion baselines on both synthetic
and real data on categories of humans and animals.
- Abstract（参考訳）: 人間や動物のような関節性物体の単眼的3次元再構築の問題に取り組む。
2次元画像アノテーションのみから弱教師ありの方法でそのような復元を学べる手法であるdungpose 3dを提案する。
これは、大規模な3Dオブジェクトスキャンのデータセットで事前訓練されたSMPLのようなパラメトリックモデルを使用する従来の変形可能な再構成手法とは対照的である。
3Dスキャンを必要としないため、DensePose 3Dは異なる動物種などの幅広いカテゴリーの学習に利用できる。
この方法は、与えられたカテゴリ固有の3Dテンプレートメッシュのソフトパーティションと、オブジェクトの2D DensePoseのような表面アノテーションに正しく再描画するように部品の動きを予測する単分子再構成ネットワークとを、エンドツーエンドで学習する。
部分分割は、ラプラス・ベルトラミ作用素の滑らかな固有関数の組み合わせとして部分代入を表現することによって正規化される。
我々は,人間と動物のカテゴリーの合成データと実データの両方をベースラインとして,最先端の非剛体構造と比較した。
関連論文リスト
- Iterative Superquadric Recomposition of 3D Objects from Multiple Views [77.53142165205283]
2次元ビューから直接3次元スーパークワッドリックを意味部品として用いたオブジェクトを再構成するフレームワークISCOを提案する。
我々のフレームワークは、再構成エラーが高い場合に、反復的に新しいスーパークワッドリックを追加します。
これは、野生の画像からでも、より正確な3D再構成を提供する。
論文 参考訳（メタデータ） (2023-09-05T10:21:37Z) - MobileBrick: Building LEGO for 3D Reconstruction on Mobile Devices [78.20154723650333]
高品質な3次元地下構造は3次元物体再構成評価に不可欠である。
本稿では,モバイルデバイスを用いた新しいマルチビューRGBDデータセットを提案する。
我々は,ハイエンド3Dスキャナーを使わずに,精密な3次元地下構造が得られる。
論文 参考訳（メタデータ） (2023-03-03T14:02:50Z) - 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) - Common Pets in 3D: Dynamic New-View Synthesis of Real-Life Deformable
Categories [80.30216777363057]
コモンペットを3Dで紹介する(CoP3D)。
テスト時には、目に見えないオブジェクトの少数のビデオフレームが与えられたとき、Tracker-NeRFはその3Dポイントの軌跡を予測し、新しいビューを生成する。
CoP3Dの結果は、既存のベースラインよりも、厳密でない新規ビュー合成性能が著しく向上した。
論文 参考訳（メタデータ） (2022-11-07T22:42:42Z) - GaussiGAN: Controllable Image Synthesis with 3D Gaussians from Unposed
Silhouettes [48.642181362172906]
対象物の粗い3次元表現を多視点2次元マスク監視から学習するアルゴリズムを提案する。
既存のボクセルを用いた物体再構成法とは対照的に,提案手法は生成した形状やポーズを表現することを学ぶ。
リアル照明を用いた合成データセットの結果を示し、対話的なポーズによるオブジェクト挿入を実証する。
論文 参考訳（メタデータ） (2021-06-24T17:47:58Z) - Learning monocular 3D reconstruction of articulated categories from
motion [39.811816510186475]
ビデオの自己スーパービジョンは、動きに基づくサイクルロスによる連続した3次元再構成の一貫性を強要する。
少数の局所的学習可能なハンドルの変位を介して3D表面を制御する3Dテンプレート変形の解釈可能なモデルを紹介します。
多様な形状, 視点, テクスチャを具体化して, 複数の対象カテゴリーのテクスチャを再現する。
論文 参考訳（メタデータ） (2021-03-30T13:50:27Z) - Canonical 3D Deformer Maps: Unifying parametric and non-parametric
methods for dense weakly-supervised category reconstruction [79.98689027127855]
独立オブジェクトの2次元画像の集合から学習できる共通オブジェクトカテゴリの3次元形状の表現を提案する。
提案手法は, パラメトリック変形モデル, 非パラメトリック3次元再構成, 標準埋め込みの概念に基づく新しい手法で構築する。
顔、車、鳥の野生のデータセットを3Dで再現することで、最先端の成果が得られます。
論文 参考訳（メタデータ） (2020-08-28T15:44:05Z) - AutoSweep: Recovering 3D Editable Objectsfrom a Single Photograph [54.701098964773756]
セマンティックな部分で3Dオブジェクトを復元し、直接編集することを目的としている。
我々の研究は、一般化された立方体と一般化されたシリンダーという、2種類の原始的な形状の物体を回収する試みである。
提案アルゴリズムは,高品質な3Dモデルを復元し,既存手法のインスタンスセグメンテーションと3D再構成の両方で性能を向上する。
論文 参考訳（メタデータ） (2020-05-27T12:16:24Z) - CoReNet: Coherent 3D scene reconstruction from a single RGB image [43.74240268086773]
我々は1つのRBG画像のみを入力として与えられた1つの物体の形状を再構築する深層学習の進歩の上に構築する。
提案する3つの拡張は,(1)局所的な2次元情報を物理的に正しい方法で出力3Dボリュームに伝播するレイトレーシングスキップ接続,(2)翻訳同変モデルの構築を可能にするハイブリッド3Dボリューム表現,(3)全体オブジェクトの形状を捉えるために調整された再構成損失である。
すべての物体がカメラに対して一貫した1つの3次元座標フレームに居住し、3次元空間内では交差しないコヒーレントな再構成を実現する。
論文 参考訳（メタデータ） (2020-04-27T17:53:07Z)
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。