論文の概要: 3D Reconstruction Using a Linear Laser Scanner and a Camera

• arxiv url: http://arxiv.org/abs/2112.00557v1
• Date: Wed, 1 Dec 2021 15:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 18:43:05.074420
• Title: 3D Reconstruction Using a Linear Laser Scanner and a Camera
• Title（参考訳）: リニアレーザースキャナとカメラを用いた3次元再構成
• Authors: Rui Wang
• Abstract要約: 本研究は, 基本的な3次元再構成技術について, 体系的に検討する。 線形レーザースキャナー、カメラ、ターンテーブルを使って簡単に実装できる。 点雲の結果の精度と解像度はかなり満足している。
• 参考スコア（独自算出の注目度）: 5.733401663293044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of computer graphics and vision, several three-dimensional (3D) reconstruction techniques have been proposed and used to obtain the 3D representation of objects in the form of point cloud models, mesh models, and geometric models. The cost of 3D reconstruction is declining due to the maturing of this technology, however, the inexpensive 3D reconstruction scanners on the market may not be able to generate a clear point cloud model as expected. This study systematically reviews some basic types of 3D reconstruction technology and introduces an easy implementation using a linear laser scanner, a camera, and a turntable. The implementation is based on the monovision with laser and has tested several objects like wiki and mug. The accuracy and resolution of the point cloud result are quite satisfying. It turns out everyone can build such a 3D reconstruction system with appropriate procedures.
• Abstract（参考訳）: コンピュータグラフィックスと視覚の急速な発展に伴い、ポイントクラウドモデル、メッシュモデル、幾何学モデルの形でオブジェクトの3次元表現を得るために、いくつかの3次元再構成技術が提案され、使用されている。 この技術の成熟により3D再構成のコストは低下しているが、市場にある安価な3D再構成スキャナーは期待通りに明確なクラウドモデルを生成することができないかもしれない。 本研究は,いくつかの基本的な3次元再構成技術を体系的に検討し,リニアレーザスキャナ,カメラ,ターンテーブルを用いた簡単な実装を提案する。 実装は laser による monovision をベースにしており、wiki や mug などいくつかのオブジェクトをテストしている。 点雲の結果の精度と解像度はかなり満足している。 誰もが適切な手順で3D再構築システムを構築することができる。

関連論文リスト

• LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
  大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。 彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。 生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
  論文  参考訳（メタデータ） (2024-05-24T15:09:12Z)
• Towards 3D Vision with Low-Cost Single-Photon Cameras [24.711165102559438]
  小型で省エネで低コストな単光子カメラによる計測に基づいて,任意のランベルト物体の3次元形状を再構成する手法を提案する。 我々の研究は、画像ベースモデリングとアクティブレンジスキャンの関連性を引き合いに出し、単光子カメラによる3Dビジョンに向けた一歩である。
  論文  参考訳（メタデータ） (2024-03-26T15:40:05Z)
• Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [67.71624118802411]
  本稿では,カテゴリー固有の3D再構成器の学習方法であるFarm3Dについて述べる。 本稿では,Stable Diffusion などの画像生成装置を用いて,合成学習データを生成するフレームワークを提案する。 我々のネットワークは、単分子再構成や合成などの分析に利用でき、ビデオゲームのようなリアルタイムアプリケーションのための音響資産を生成することができる。
  論文  参考訳（メタデータ） (2023-04-20T17:59:34Z)
• Anything-3D: Towards Single-view Anything Reconstruction in the Wild [61.090129285205805]
  本稿では,一連の視覚言語モデルとSegment-Anythingオブジェクトセグメンテーションモデルを組み合わせた方法論的フレームワークであるAnything-3Dを紹介する。 提案手法では、BLIPモデルを用いてテキスト記述を生成し、Segment-Anythingモデルを用いて関心対象を効果的に抽出し、テキスト・画像拡散モデルを用いて物体を神経放射場へ持ち上げる。
  論文  参考訳（メタデータ） (2023-04-19T16:39:51Z)
• A Review of Deep Learning-Powered Mesh Reconstruction Methods [8.244104560094721]
  ディープラーニングにより、様々なソースから高品質な3D形状の再構築が可能になった。 一般的な3Dアプリケーションで使用するには、再構成された形状を多角形メッシュとして表現する必要がある。
  論文  参考訳（メタデータ） (2023-03-06T04:14:04Z)
• 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)
• Model-based 3D Hand Reconstruction via Self-Supervised Learning [72.0817813032385]
  シングルビューのRGB画像から3Dハンドを再構成することは、様々な手構成と深さのあいまいさのために困難である。 ポーズ, 形状, テクスチャ, カメラ視点を共同で推定できる, 自己教師型3Dハンド再構成ネットワークであるS2HANDを提案する。 初めて手動アノテーションを使わずに、正確な3D手の再構築ネットワークを訓練できることを実証しました。
  論文  参考訳（メタデータ） (2021-03-22T10:12:43Z)
• An Effective Loss Function for Generating 3D Models from Single 2D Image without Rendering [0.0]
  微分レンダリングは、シングルビュー3Dレコンストラクションに適用できる非常に成功した技術である。 電流は、ある3d再構成対象のレンダリング画像と、与えられたマッチング視点からの接地画像との間のピクセルによる損失を利用して、3d形状のパラメータを最適化する。 再構成された3次元点群の投影が地上真理物体のシルエットをどの程度覆うかを評価する新しい効果的な損失関数を提案する。
  論文  参考訳（メタデータ） (2021-03-05T00:02:18Z)
• From Image Collections to Point Clouds with Self-supervised Shape and Pose Networks [53.71440550507745]
  2次元画像から3Dモデルを再構成することは、コンピュータビジョンの基本的な問題の一つである。 本研究では,1枚の画像から3次元オブジェクトを再構成する深層学習手法を提案する。 我々は,3次元点雲の再構成と推定ネットワークの自己教師方式の両方を学習する。
  論文  参考訳（メタデータ） (2020-05-05T04:25:16Z)

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。