論文の概要: Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors

• arxiv url: http://arxiv.org/abs/2204.10603v1
• Date: Fri, 22 Apr 2022 09:45:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 13:47:11.142986
• Title: Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors
• Title（参考訳）: 地表面を優先したスパースポイント雲の再構成
• Authors: Baorui Ma, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
• 参考スコア（独自算出の注目度）: 52.25114448281418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is an important task to reconstruct surfaces from 3D point clouds. Current methods are able to reconstruct surfaces by learning Signed Distance Functions (SDFs) from single point clouds without ground truth signed distances or point normals. However, they require the point clouds to be dense, which dramatically limits their performance in real applications. To resolve this issue, we propose to reconstruct highly accurate surfaces from sparse point clouds with an on-surface prior. We train a neural network to learn SDFs via projecting queries onto the surface represented by the sparse point cloud. Our key idea is to infer signed distances by pushing both the query projections to be on the surface and the projection distance to be the minimum. To achieve this, we train a neural network to capture the on-surface prior to determine whether a point is on a sparse point cloud or not, and then leverage it as a differentiable function to learn SDFs from unseen sparse point cloud. Our method can learn SDFs from a single sparse point cloud without ground truth signed distances or point normals. Our numerical evaluation under widely used benchmarks demonstrates that our method achieves state-of-the-art reconstruction accuracy, especially for sparse point clouds.
• Abstract（参考訳）: 3次元点雲から表面を再構築することは重要な課題である。 現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数(SDF)を学習することで、表面を再構築することができる。 しかし、ポイントクラウドを密にする必要があるため、実際のアプリケーションでのパフォーマンスが劇的に制限される。 この問題を解決するため, 表面上の粗い点雲から高精度な表面を復元することを提案する。 我々は、スパースポイントクラウドで表される表面にクエリを投影することでSDFを学ぶためにニューラルネットワークを訓練する。 私たちのキーとなるアイデアは、表面にあるクエリプロジェクションと最小となるプロジェクション距離の両方を押すことで、署名された距離を推測することです。 これを達成するために、我々は、ある点がスパースポイントクラウド上にあるかどうかを判断する前に、表面をキャプチャするニューラルネットワークを訓練し、それを、見当たらないスパースポイントクラウドからsdfsを学ぶための微分可能な関数として活用する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。 広範に使用されているベンチマークによる数値評価の結果,特に疎点雲の場合,最先端の復元精度が得られた。

関連論文リスト

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• 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)
• Point Cloud Upsampling and Normal Estimation using Deep Learning for Robust Surface Reconstruction [2.821829060100186]
  ポイントクラウドアップサンプリングのための新しいディープラーニングアーキテクチャを紹介します。 対応する点正規度を持つ低密度の雑音点雲を用いて、高密度および随伴点正規度を持つ点雲を推定する。
  論文  参考訳（メタデータ） (2021-02-26T10:58:26Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)

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。