論文の概要: Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields

• arxiv url: http://arxiv.org/abs/2112.13142v1
• Date: Fri, 24 Dec 2021 21:32:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:42:40.428563
• Title: Reconstructing Compact Building Models from Point Clouds Using Deep Implicit Fields
• Title（参考訳）: 深部暗黙的場を用いた点雲からのコンパクト建築モデルの構築
• Authors: Zhaiyu Chen, Seyran Khademi, Hugo Ledoux, Liangliang Nan
• Abstract要約: 我々は点雲からコンパクトで水密な多角形建築モデルを再構築するための新しい枠組みを提案する。 合成および実世界の点雲の両方の実験により、我々の神経誘導戦略により、高品質な建築モデルは、忠実性、コンパクト性、計算効率において大きな利点をもって得られることが実証された。
• 参考スコア（独自算出の注目度）: 4.683612295430956
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Three-dimensional (3D) building models play an increasingly pivotal role in many real-world applications while obtaining a compact representation of buildings remains an open problem. In this paper, we present a novel framework for reconstructing compact, watertight, polygonal building models from point clouds. Our framework comprises three components: (a) a cell complex is generated via adaptive space partitioning that provides a polyhedral embedding as the candidate set; (b) an implicit field is learned by a deep neural network that facilitates building occupancy estimation; (c) a Markov random field is formulated to extract the outer surface of a building via combinatorial optimization. We evaluate and compare our method with state-of-the-art methods in shape reconstruction, surface approximation, and geometry simplification. Experiments on both synthetic and real-world point clouds have demonstrated that, with our neural-guided strategy, high-quality building models can be obtained with significant advantages in fidelity, compactness, and computational efficiency. Our method shows robustness to noise and insufficient measurements, and it can directly generalize from synthetic scans to real-world measurements.
• Abstract（参考訳）: 3次元建築モデルは、多くの現実世界の応用においてますます重要な役割を果たす一方、建物のコンパクトな表現は未解決の問題である。 本稿では,点雲からコンパクト・水密・多角形建築モデルを再構築するための新しい枠組みを提案する。 私たちのフレームワークは3つのコンポーネントで構成されています。 a) 細胞複合体は、候補集合として多面体埋め込みを提供する適応空間分割によって生成される。 b) 暗黙的場は、占有率推定の構築を容易にする深層ニューラルネットワークによって学習される。 (c)マルコフ確率場を定式化し、組合せ最適化により建物の外面を抽出する。 形状再構成, 表面近似, 幾何単純化における最先端手法と評価, 比較を行った。 人工的および実世界のポイントクラウドにおける実験では、ニューラルネットワークによる戦略により、忠実性、コンパクト性、計算効率において、高品質なビルディングモデルが得られることが示されています。 提案手法は, ノイズに対する頑健さと測定の不十分さを示し, 合成スキャンから実世界の計測まで, 直接的に一般化することができる。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
  GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。 本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。 我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
  論文  参考訳（メタデータ） (2024-02-26T20:00:57Z)
• Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
  形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。 提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
  論文  参考訳（メタデータ） (2023-02-28T15:31:23Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Automated LoD-2 Model Reconstruction from Very-HighResolution Satellite-derived Digital Surface Model and Orthophoto [1.2691047660244335]
  本稿では,LoD-2ビルディングモデルを「分解最適化最適化」パラダイムに従って再構成するモデル駆動手法を提案する。 提案手法は,既存の手法に対するいくつかの技術的問題点に対処し,その有効性を実証した。
  論文  参考訳（メタデータ） (2021-09-08T19:03:09Z)
• SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
  点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。 既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
  論文  参考訳（メタデータ） (2021-08-10T06:49:45Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Sparse-data based 3D surface reconstruction with vector matching [4.471370467116141]
  正規ベクトルマッチングと第1次および第2次全変分正規化器を組み合わせた新しいモデルが提案されている。 拡張ラグランジアンに基づく高速アルゴリズムも提案されている。
  論文  参考訳（メタデータ） (2020-09-28T00:36:49Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。