論文の概要: UWED: Unsigned Distance Field for Accurate 3D Scene Representation and
Completion
- arxiv url: http://arxiv.org/abs/2203.09167v1
- Date: Thu, 17 Mar 2022 08:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-19 02:47:05.289536
- Title: UWED: Unsigned Distance Field for Accurate 3D Scene Representation and
Completion
- Title(参考訳): UWED:正確な3Dシーン表現と完了のための符号なし距離場
- Authors: Jean Pierre Richa and Jean-Emmanuel Deschaud and Fran\c{c}ois Goulette
and Nicolas Dalmasso
- Abstract要約: シーン完了(Scene Completion)は、シーンの部分的なスキャンから欠落した幾何学を完了させるタスクである。
従来の手法のほとんどは、ニューラルネットワークへの入力として3Dグリッド上のTrncated Signed Distance Function(TSDF)を使用して、範囲データからの暗黙的な表現を計算する。
シーン完了ニューラルネットワークの入力として,Unsigned Weighted Euclidean Distance (UWED) と呼ばれるUnsigned Distance Function (UDF) を提案する。
- 参考スコア(独自算出の注目度): 3.402787708517184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scene Completion is the task of completing missing geometry from a partial
scan of a scene. The majority of previous methods compute an implicit
representation from range data using a Truncated Signed Distance Function
(TSDF) on a 3D grid as input to neural networks. The truncation limits but does
not remove the ambiguous cases introduced by the sign for non-closed surfaces.
As an alternative, we present an Unsigned Distance Function (UDF) called
Unsigned Weighted Euclidean Distance (UWED) as input to the scene completion
neural networks. UWED is simple and efficient as a surface representation, and
can be computed on any noisy point cloud without normals. To obtain the
explicit geometry, we present a method for extracting a point cloud from
discretized UDF values on a regular grid. We compare different SDFs and UDFs
for the scene completion task on indoor and outdoor point clouds collected from
RGB-D and LiDAR sensors and show improved completion using the proposed UWED
function.
- Abstract(参考訳): シーンの完了は、シーンの部分的なスキャンから欠落した幾何学を完成させるタスクである。
従来の手法のほとんどは、ニューラルネットワークへの入力として3Dグリッド上のTrncated Signed Distance Function(TSDF)を使用して、範囲データからの暗黙的な表現を計算する。
切り離し極限はあるが、非閉曲面の符号によって引き起こされるあいまいなケースは取り除かない。
その代替として、シーン補完ニューラルネットワークへの入力として、Unsigned Weighted Euclidean Distance (UWED) と呼ばれるUnsigned Distance Function (UDF) を提案する。
UWEDは表面表現としてシンプルで効率的であり、通常のノイズのない任意のノイズのある点雲上で計算することができる。
そこで本研究では,正規格子上の離散化udf値から点雲を抽出する手法を提案する。
rgb-d および lidar センサから収集した屋内および屋外の点群雲のシーン完了タスクにおける異なる sdf と udf を比較し,提案する uwed 関数による完成度の向上を示す。
関連論文リスト
- Gradient Distance Function [52.615859148238464]
また,GDF (Gradient Distance Function) は表面上での微分可能でありながら,開口面を表現可能であることを示す。
これは、ノルムが表面への符号のない距離である3Dベクトルをそれぞれ3Dポイントに関連付けることによって行われる。
本稿では,ShapeNet Car,Multi-Garment,および3D-SceneデータセットにおけるGDFの有効性を示す。
論文 参考訳(メタデータ) (2024-10-29T18:04:01Z) - Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes [29.65562721329593]
本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。
UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。
本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
論文 参考訳(メタデータ) (2024-03-03T06:58:35Z) - 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) - CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。
我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。
学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
論文 参考訳(メタデータ) (2022-10-06T08:51:08Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - MeshUDF: Fast and Differentiable Meshing of Unsigned Distance Field
Networks [68.82901764109685]
3次元オープンサーフェスモデリングによる深部ニューラルネットワークの非符号距離場(UDF)近似に関する研究
本研究では, 平面交差を局所的に検出することにより, 深部UDFを開放面としてマーチング立方体の拡張により直接メッシュ化することを提案する。
本手法は高密度の点雲のメッシュよりも桁違いに高速であり,開面の膨張よりも高精度である。
論文 参考訳(メタデータ) (2021-11-29T14:24:02Z) - Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。
NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。
NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
論文 参考訳(メタデータ) (2020-10-26T22:49:45Z)
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。