論文の概要: Neural Reflectance for Shape Recovery with Shadow Handling

• arxiv url: http://arxiv.org/abs/2203.12909v1
• Date: Thu, 24 Mar 2022 07:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 14:36:03.084487
• Title: Neural Reflectance for Shape Recovery with Shadow Handling
• Title（参考訳）: シャドーハンドリングによる形状回復のためのニューラルリフレクタンス
• Authors: Junxuan Li and Hongdong Li
• Abstract要約: 本論文は,非ランベルト的かつ空間的に変化する表面材料を用いて,シーンの形状を復元することを目的とする。 本研究では, 未知の3次元形状と未知の面点の両方をパラメータ化するために, 座標に基づく深部反射率(多層パーセプトロン)を提案する。 このネットワークは、観測された光度差と表面上の影を利用して、表面形状と一般的な非ランベルト反射率の両方を回復することができる。
• 参考スコア（独自算出の注目度）: 88.67603644930466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims at recovering the shape of a scene with unknown, non-Lambertian, and possibly spatially-varying surface materials. When the shape of the object is highly complex and that shadows cast on the surface, the task becomes very challenging. To overcome these challenges, we propose a coordinate-based deep MLP (multilayer perceptron) to parameterize both the unknown 3D shape and the unknown reflectance at every surface point. This network is able to leverage the observed photometric variance and shadows on the surface, and recover both surface shape and general non-Lambertian reflectance. We explicitly predict cast shadows, mitigating possible artifacts on these shadowing regions, leading to higher estimation accuracy. Our framework is entirely self-supervised, in the sense that it requires neither ground truth shape nor BRDF. Tests on real-world images demonstrate that our method outperform existing methods by a significant margin. Thanks to the small size of the MLP-net, our method is an order of magnitude faster than previous CNN-based methods.
• Abstract（参考訳）: 本論文は,非ランベルト的かつ空間的に変化する表面材料を用いて,シーンの形状を復元することを目的とする。 物体の形状が非常に複雑で、その影が表面に投げ込まれると、その作業は非常に困難になる。 これらの課題を克服するために,各面における未知の3次元形状と未知の反射率の両方をパラメータ化するための座標ベースディープMLP (multilayer perceptron) を提案する。 このネットワークは、観測された表面の光度分散と影を活用でき、表面形状と一般の非ランベルト反射の両方を回復することができる。 キャストシャドウを明示的に予測し,これらのシャドウ領域のアーティファクトを軽減し,高い推定精度を実現する。 我々の枠組みは完全に自己管理されており、真理やBRDFは必要としない。 実世界の画像によるテストでは,提案手法が既存手法をかなり上回っています。 MLP-netの小型化により,本手法は従来のCNN方式よりも桁違いに高速である。

関連論文リスト

• DeepShaRM: Multi-View Shape and Reflectance Map Recovery Under Unknown Lighting [35.18426818323455]
  我々は,この課題に対して最先端の精度を実現する新しいマルチビュー手法であるDeepShaRMを導出する。 本稿では,カメラ・ビュー・リフレクタンス・マップを復元する新しいディープ・リフレクタンス・マップ推定ネットワークを提案する。 シェーディングネットワークは、符号付き距離関数で表される幾何推定を更新する。
  論文  参考訳（メタデータ） (2023-10-26T17:50:10Z)
• NeTO:Neural Reconstruction of Transparent Objects with Self-Occlusion Aware Refraction-Tracing [44.22576861939435]
  ボリュームレンダリングによる2次元画像から固体透明物体の3次元形状を抽出する新手法NeTOを提案する。 提案手法は, 忠実な復元結果を達成し, 先行作業よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2023-03-20T15:50:00Z)
• Self-calibrating Photometric Stereo by Neural Inverse Rendering [88.67603644930466]
  本稿では3次元オブジェクト再構成のための非校正光度ステレオの課題に取り組む。 本研究では,物体形状,光方向,光強度を協調的に最適化する手法を提案する。 本手法は,実世界のデータセット上での光推定と形状復元における最先端の精度を示す。
  論文  参考訳（メタデータ） (2022-07-16T02:46:15Z)
• SNeS: Learning Probably Symmetric Neural Surfaces from Incomplete Data [77.53134858717728]
  我々はニューラルレイディアンスフィールド(NeRF)のようなニューラルリコンストラクションとレンダリングの最近の進歩の強みの上に構築する。 我々は3次元形状と材料特性にソフト対称性の制約を適用し,光,アルベド色,反射率に分解された外観を有する。 保存されていない領域を高い忠実度で再構成し、高品質な新しいビュー画像を作成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-13T17:37:50Z)
• DeepShadow: Neural Shape from Shadow [12.283891012446647]
  DeepShadowは、光度ステレオシャドウマップから深度マップと表面正常を復元するワンショット方式である。 自己および鋳型影が3次元再構成を妨害するだけでなく、学習信号として単独で使用できることを示す。 提案手法は,ニューラルネットワークを用いて影から3次元形状を再構成する最初の方法である。
  論文  参考訳（メタデータ） (2022-03-28T20:11:15Z)
• AvatarMe++: Facial Shape and BRDF Inference with Photorealistic Rendering-Aware GANs [119.23922747230193]
  そこで本研究では,レンダリング可能な3次元顔形状とBRDFの再構成を,単一の"in-the-wild"画像から実現した最初の手法を提案する。 本手法は,1枚の低解像度画像から,高解像度の3次元顔の再構成を行う。
  論文  参考訳（メタデータ） (2021-12-11T11:36:30Z)
• NeRFactor: Neural Factorization of Shape and Reflectance Under an Unknown Illumination [60.89737319987051]
  照明条件が不明な物体の多視点像から物体の形状と空間的反射率を復元する問題に対処する。 これにより、任意の環境照明下でのオブジェクトの新たなビューのレンダリングや、オブジェクトの材料特性の編集が可能になる。
  論文  参考訳（メタデータ） (2021-06-03T16:18:01Z)
• Multi-view 3D Reconstruction of a Texture-less Smooth Surface of Unknown Generic Reflectance [86.05191217004415]
  表面反射率の不明なテクスチャレス物体の多視点再構成は難しい課題である。 本稿では,コライトスキャナーをベースとした,この問題に対するシンプルで堅牢な解法を提案する。
  論文  参考訳（メタデータ） (2021-05-25T01:28:54Z)

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。