論文の概要: Learning Modified Indicator Functions for Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2111.09526v1
• Date: Thu, 18 Nov 2021 05:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-19 14:42:34.280072
• Title: Learning Modified Indicator Functions for Surface Reconstruction
• Title（参考訳）: 表面再構成のための学習修飾指標関数
• Authors: Dong Xiao, Siyou Lin, Zuoqiang Shi, Bin Wang
• Abstract要約: 正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。 我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。 我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
• 参考スコア（独自算出の注目度）: 10.413340575612233
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Surface reconstruction is a fundamental problem in 3D graphics. In this paper, we propose a learning-based approach for implicit surface reconstruction from raw point clouds without normals. Our method is inspired by Gauss Lemma in potential energy theory, which gives an explicit integral formula for the indicator functions. We design a novel deep neural network to perform surface integral and learn the modified indicator functions from un-oriented and noisy point clouds. We concatenate features with different scales for accurate point-wise contributions to the integral. Moreover, we propose a novel Surface Element Feature Extractor to learn local shape properties. Experiments show that our method generates smooth surfaces with high normal consistency from point clouds with different noise scales and achieves state-of-the-art reconstruction performance compared with current data-driven and non-data-driven approaches.
• Abstract（参考訳）: 表面再構成は3Dグラフィックスの基本的な問題である。 本稿では,正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。 この方法はポテンシャルエネルギー理論におけるガウス・補題に触発され、指標関数に対する明示的な積分公式を与える。 本研究では,表面積分を行う新しい深層ニューラルネットワークを設計し,無指向・無騒音点群から修正インジケータ関数を学習する。 積分への正確なポイントワイズ貢献のために、異なるスケールで特徴を結合する。 さらに,局所形状特性を学習する新しい表面要素特徴抽出器を提案する。 提案手法は,ノイズスケールの異なる点群から高い正規性を持つ平滑な表面を生成し,現在のデータ駆動型および非データ駆動型アプローチと比較して,最先端の再構築性能を実現する。

関連論文リスト

• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• NeuSG: Neural Implicit Surface Reconstruction with 3D Gaussian Splatting Guidance [59.08521048003009]
  本稿では,3次元ガウススプラッティングから高精細な表面を復元する神経暗黙的表面再構成パイプラインを提案する。 3Dガウススプラッティングの利点は、詳細な構造を持つ高密度の点雲を生成することができることである。 我々は3次元ガウスを極端に薄くすることで、表面に近い中心を引っ張るスケール正則化器を導入する。
  論文  参考訳（メタデータ） (2023-12-01T07:04:47Z)
• GradientSurf: Gradient-Domain Neural Surface Reconstruction from RGB Video [0.0]
  GradientSurfはモノクロRGBビデオからのリアルタイム表面再構成のための新しいアルゴリズムである。 ポアソン表面再構成にインスパイアされた提案手法は, 表面, 体積, 配向点雲の密結合に基づく。 屋内の景観復元の課題として, 提案手法は曲面を曲面で再現し, より詳細に再現できることを示した。
  論文  参考訳（メタデータ） (2023-10-09T04:54:30Z)
• HR-NeuS: Recovering High-Frequency Surface Geometry via Neural Implicit Surfaces [6.382138631957651]
  我々は新しい暗黙表面再構成法であるHigh-Resolution NeuSを提案する。 HR-NeuSは大規模な再構成精度を維持しながら高周波表面形状を復元する。 我々は,DTUおよびBlendedMVSデータセットを用いた実験により,従来の手法と同等の精度で定性的に詳細かつ定量的な3次元測地を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-02-14T02:25:16Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
  そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。 我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。 本手法は,高精度な表面を細部で再構成し,その性能を向上する。
  論文  参考訳（メタデータ） (2022-11-21T10:06:09Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• Shape As Points: A Differentiable Poisson Solver [118.12466580918172]
  本稿では,ポアソン表面再構成 (PSR) の微分可能な定式化を用いた,微分可能な点間メッシュ層を提案する。 微分可能なPSR層は、暗示指標場を介して、明示的な3D点表現を3Dメッシュに効率よく、かつ、差別的にブリッジすることができる。 ニューラル暗黙の表現と比較して、私たちのシェープ・アズ・ポイント(SAP)モデルはより解釈可能で、軽量で、1桁の推論時間を加速します。
  論文  参考訳（メタデータ） (2021-06-07T09:28:38Z)
• Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations [21.64457003420851]
  我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。 本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-11T15:51:04Z)
• Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
  表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。 本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T02:07:29Z)
• Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
  1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。 ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。 提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
  論文  参考訳（メタデータ） (2020-08-18T06:33:40Z)

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。