論文の概要: ANISE: Assembly-based Neural Implicit Surface rEconstruction

• arxiv url: http://arxiv.org/abs/2205.13682v1
• Date: Fri, 27 May 2022 00:01:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 14:39:00.406103
• Title: ANISE: Assembly-based Neural Implicit Surface rEconstruction
• Title（参考訳）: ANISE: 組み立て型ニューラルインプリシト表面rEコンストラクション
• Authors: Dmitry Petrov, Matheus Gadelha, Radomir Mech, Evangelos Kalogerakis
• Abstract要約: 部分的な観測から3次元形状を再構成するANISE(画像・スパース点雲)を提案する。 神経暗黙の関数の集合として定式化され、それぞれが異なる形状の部分を表す。 本研究では,部品表現を暗黙の関数に復号化して再構成を行う場合,画像とスパース点の雲から最先端の部品認識再構成結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 12.745433575962842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ANISE, a method that reconstructs a 3D shape from partial observations (images or sparse point clouds) using a part-aware neural implicit shape representation. It is formulated as an assembly of neural implicit functions, each representing a different shape part. In contrast to previous approaches, the prediction of this representation proceeds in a coarse-to-fine manner. Our network first predicts part transformations which are associated with part neural implicit functions conditioned on those transformations. The part implicit functions can then be combined into a single, coherent shape, enabling part-aware shape reconstructions from images and point clouds. Those reconstructions can be obtained in two ways: (i) by directly decoding combining the refined part implicit functions; or (ii) by using part latents to query similar parts in a part database and assembling them in a single shape. We demonstrate that, when performing reconstruction by decoding part representations into implicit functions, our method achieves state-of-the-art part-aware reconstruction results from both images and sparse point clouds. When reconstructing shapes by assembling parts queried from a dataset, our approach significantly outperforms traditional shape retrieval methods even when significantly restricting the size of the shape database. We present our results in well-known sparse point cloud reconstruction and single-view reconstruction benchmarks.
• Abstract（参考訳）: 部分認識型暗黙的形状表現を用いて,部分的観察(画像やスパース点雲)から3次元形状を再構成するANISEを提案する。 神経暗黙関数の集合として定式化され、それぞれが異なる形状の部分を表す。 以前のアプローチとは対照的に、この表現の予測は粗い意味で進行する。 ネットワークはまず,これらの変換を条件とした部分的神経暗黙関数に関連付けられた部分変換を予測する。 暗黙的な機能は単一のコヒーレントな形状に結合でき、画像や点雲から部分認識された形状復元が可能になる。 これらの復元は2つの方法で得られる。 (i)精製された部分暗黙の機能を結合して直接復号すること、又は (ii)部分的潜伏体を用いて、部分データベースの類似部分をクエリし、単一の形状に組み立てる。 本手法は,部分表現を暗黙的関数にデコードすることで再構成を行う際に,画像とスパースポイントクラウドの両方から最先端のパートアウェア復元結果が得られることを示す。 データセットから問合せした部品を組み立てて形状を再構築する場合、形状データベースのサイズを著しく制限しても従来の形状検索手法を著しく上回る。 本稿では,sparse point cloud reconstructionsとsingle-view reconstruction benchmarksについて報告する。

関連論文リスト

• Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
  Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。 ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。 クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
  論文  参考訳（メタデータ） (2024-05-27T07:10:21Z)
• Learning to generate shape from global-local spectra [0.0]
  我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。 我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。 提案手法は既存手法や代替手法と比較して改善された。
  論文  参考訳（メタデータ） (2021-08-04T16:39:56Z)
• Neural Parts: Learning Expressive 3D Shape Abstractions with Invertible Neural Networks [118.20778308823779]
  Invertible Neural Network (INN) を用いてプリミティブを定義する新しい3次元プリミティブ表現を提案する。 私たちのモデルは、部品レベルの監督なしに3Dオブジェクトを意味的に一貫した部品配置に解析することを学びます。
  論文  参考訳（メタデータ） (2021-03-18T17:59:31Z)
• RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction [19.535169371240073]
  本稿では,高密度物体表面を直接点雲から検出・再構成するRfD-Netを提案する。 インスタンス再構成を大域的オブジェクトローカライゼーションと局所形状予測に分離する。 我々のアプローチは、オブジェクト再構成において、最先端の技術を一貫して上回り、メッシュIoUの11以上を改善します。
  論文  参考訳（メタデータ） (2020-11-30T12:58:05Z)
• A Divide et Impera Approach for 3D Shape Reconstruction from Multiple Views [49.03830902235915]
  物体の3次元形状を1つまたは複数の画像から推定することは、最近のディープラーニングによるブレークスルーによって人気を集めている。 本稿では,与えられた視点からの可視情報を統合することで,視点変化の再構築に頼ることを提案する。 提案手法を検証するために,相対的なポーズ推定と3次元形状再構成の観点から,ShapeNet参照ベンチマークの総合評価を行った。
  論文  参考訳（メタデータ） (2020-11-17T09:59:32Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• 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。