論文の概要: BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion

• arxiv url: http://arxiv.org/abs/2204.01139v1
• Date: Sun, 3 Apr 2022 19:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 15:29:08.935717
• Title: BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion
• Title（参考訳）: BNV-Fusion:バイレベルニューラルボリュームフュージョンを用いた高密度3次元再構成
• Authors: Kejie Li, Yansong Tang, Victor Adrian Prisacariu, Philip H.S. Torr
• Abstract要約: ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
• 参考スコア（独自算出の注目度）: 85.24673400250671
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dense 3D reconstruction from a stream of depth images is the key to many mixed reality and robotic applications. Although methods based on Truncated Signed Distance Function (TSDF) Fusion have advanced the field over the years, the TSDF volume representation is confronted with striking a balance between the robustness to noisy measurements and maintaining the level of detail. We present Bi-level Neural Volume Fusion (BNV-Fusion), which leverages recent advances in neural implicit representations and neural rendering for dense 3D reconstruction. In order to incrementally integrate new depth maps into a global neural implicit representation, we propose a novel bi-level fusion strategy that considers both efficiency and reconstruction quality by design. We evaluate the proposed method on multiple datasets quantitatively and qualitatively, demonstrating a significant improvement over existing methods.
• Abstract（参考訳）: 深度画像のストリームからのDense 3D再構成は多くの複合現実とロボットの応用の鍵となる。 tsdf(truncated signed distance function)に基づく手法は,長年にわたってフィールドを進化させてきたが,tsdfボリューム表現は,ノイズ測定に対するロバスト性とディテールのレベル維持とのバランスをとっていた。 本稿では,近年の神経暗黙的表現とニューラルネットワークによる3次元再構成の進歩を活かしたbi-level neural volume fusion (bnv-fusion)を提案する。 新たな深度マップをグローバルな暗黙的表現に漸進的に統合するために,設計による効率性と再現性の両方を考慮した新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。

関連論文リスト

• Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
  本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。 我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
  論文  参考訳（メタデータ） (2023-09-19T05:44:00Z)
• C2F2NeUS: Cascade Cost Frustum Fusion for High Fidelity and Generalizable Neural Surface Reconstruction [12.621233209149953]
  本稿では,多視点ステレオとニューラルサイン付き距離関数表現を組み合わせた新しい統合手法を提案する。 本手法は,ロバストな表面を再構成し,既存の最先端の手法より優れる。
  論文  参考訳（メタデータ） (2023-06-16T17:56:16Z)
• VolRecon: Volume Rendering of Signed Ray Distance Functions for Generalizable Multi-View Reconstruction [64.09702079593372]
  VolRecon は Signed Ray Distance Function (SRDF) を用いた新しい一般化可能な暗黙的再構成法である DTUデータセットでは、VolReconはスパースビュー再構築においてSparseNeuSを約30%上回り、フルビュー再構築においてMVSNetと同等の精度を達成する。
  論文  参考訳（メタデータ） (2022-12-15T18:59:54Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• Sphere-Guided Training of Neural Implicit Surfaces [14.882607960908217]
  3次元再構成では、光線マーチングにより訓練された神経距離関数が多視点3次元再構成に広く採用されている。 しかし、これらの手法はシーン全体に対してレイマーチング法を適用し、サンプリング効率を低下させる。 暗黙の関数と新しい粗い球面をベースとした表面再構成を共同で行うことでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-30T15:00:03Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)
• NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric Mapping [29.3378360000956]
  本稿では,ニューラル暗黙表現の最近の進歩を活かした新しい3次元マッピング手法を提案する。 ニューラルな暗黙表現をインクリメンタルに構築し、更新するための融合戦略とトレーニングパイプラインを提案する。 インクリメンタルに構築された占有マップは,CPU上でもリアルタイムに取得可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-18T15:45:05Z)
• VolumeFusion: Deep Depth Fusion for 3D Scene Reconstruction [71.83308989022635]
  本稿では、ディープニューラルネットワークを用いた従来の2段階フレームワークの複製により、解釈可能性と結果の精度が向上することを提唱する。 ネットワークは,1)深部MVS技術を用いた局所深度マップの局所計算,2)深部マップと画像の特徴を融合させて単一のTSDFボリュームを構築する。 異なる視点から取得した画像間のマッチング性能を改善するために,PosedConvと呼ばれる回転不変な3D畳み込みカーネルを導入する。
  論文  参考訳（メタデータ） (2021-08-19T11:33:58Z)

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。