論文の概要: CD$^2$: Fine-grained 3D Mesh Reconstruction with Twice Chamfer Distance

• arxiv url: http://arxiv.org/abs/2206.00447v1
• Date: Wed, 1 Jun 2022 12:29:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 12:16:13.744174
• Title: CD$^2$: Fine-grained 3D Mesh Reconstruction with Twice Chamfer Distance
• Title（参考訳）: CD$^2$: ツインス・チャンファー距離を用いた微細3次元メッシュ再構成
• Authors: Rongfei Zeng, Mai Su, Xingwei Wang
• Abstract要約: 3次元再構成では、ポリゴンメッシュはディープラーニングモデルから得られる最も一般的な表現形式である。 これらのメッシュには、Vertices ClusteringとIllegal Twistと呼ばれる2つの深刻な問題があります。 そこで本研究では,チャムファー距離を2倍に設定した細粒度再構成法CD$2$を提案する。
• 参考スコア（独自算出の注目度）: 7.456644329433771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 3D reconstruction is to reconstruct the shape of object and its other detailed information from a single RGB image. In 3D reconstruction, polygon mesh is the most prevalent expression form obtained from deep learning models, with detailed surface information and low computational cost. However, some state-of-the-art works fail to generate well-structured meshes, these meshes have two severe problems which we call Vertices Clustering and Illegal Twist. By delving into the mesh deformation procedure, we pinpoint the inadequate usage of Chamfer Distance(CD) metric in deep learning model. In this paper, we initially demonstrate the problems resulting from CD with visual examples and quantitative analyses. To solve these problems, we propose a fine-grained reconstruction method CD$^2$ with Chamfer distance adopted twice to perform a plausible and adaptive deformation. Extensive experiments on two 3D datasets and the comparison of our newly proposed mesh quality metrics demonstrate that our CD$^2$ outperforms others by generating better-structured meshes.
• Abstract（参考訳）: モノクロ3D再構成は、オブジェクトの形状や、RGB画像からの詳細情報を再構成することである。 3次元再構成では、ポリゴンメッシュは深層学習モデルから得られる最も一般的な表現形式であり、詳細な表面情報と計算コストが低い。 しかしながら、最先端の作業では十分に構造化されたメッシュを生成することができず、これらのメッシュにはVertices ClusteringとIllegal Twistと呼ばれる2つの深刻な問題があります。 メッシュ変形過程を掘り下げることで、深層学習モデルにおけるChamfer Distance(CD)測定の不十分な利用を指摘できる。 本稿ではまず,CDから生じる問題点を視覚的例と定量的分析を用いて実証する。 そこで本研究では, シャムハ距離を2回適用し, 高精度かつ適応的な変形を行うための細粒度再構成法cd$^2$を提案する。 2つの3dデータセットに関する広範囲な実験と、新たに提案されたメッシュ品質メトリクスの比較により、cd$^2$が、より構造化されたメッシュを生成することで他よりも優れています。

関連論文リスト

• HeadRecon: High-Fidelity 3D Head Reconstruction from Monocular Video [37.53752896927615]
  任意のモノクラービデオから高忠実度3Dヘッドモデルの再構成について検討する。 本稿では,これらの問題に対処するために,事前誘導型動的暗黙的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） (2023-12-14T12:38:56Z)
• Sampling is Matter: Point-guided 3D Human Mesh Reconstruction [0.0]
  本稿では,1枚のRGB画像から3次元メッシュ再構成を行うための簡易かつ強力な手法を提案する。 評価実験の結果,提案手法は3次元メッシュ再構成の性能を効率よく向上することが示された。
  論文  参考訳（メタデータ） (2023-04-19T08:45:26Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• Unbiased 4D: Monocular 4D Reconstruction with a Neural Deformation Model [76.64071133839862]
  モノクロRGBビデオから一般的なデフォーミングシーンをキャプチャすることは、多くのコンピュータグラフィックスや視覚アプリケーションにとって不可欠である。 提案手法であるUb4Dは、大きな変形を処理し、閉塞領域での形状補完を行い、可変ボリュームレンダリングを用いて、単眼のRGBビデオを直接操作することができる。 我々の新しいデータセットの結果は公開され、表面の復元精度と大きな変形に対する堅牢性の観点から、技術の現状が明らかに改善されていることを実証する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:54Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
  3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。 以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。 本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
  論文  参考訳（メタデータ） (2022-04-09T03:46:18Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• H3D-Net: Few-Shot High-Fidelity 3D Head Reconstruction [27.66008315400462]
  表面形状を暗黙的に表現する最近の学習手法は、多視点3次元再構成の問題において顕著な結果を示している。 我々はこれらの制限を,数発のフル3次元頭部再構成の特定の問題に対処する。 暗黙の表現を用いて,数千個の不完全な生スキャンから3次元頭部形状モデルを学習する。
  論文  参考訳（メタデータ） (2021-07-26T23:04:18Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• STD-Net: Structure-preserving and Topology-adaptive Deformation Network for 3D Reconstruction from a Single Image [27.885717341244014]
  単一のビューイメージからの3D再構成は、コンピュータビジョンにおける長年の進歩である。 本稿では,メッシュ表現を用いた3次元モデル再構築のためのSTD-Netを提案する。 ShapeNetの画像による実験結果から, 提案したSTD-Netは, 3Dオブジェクトを再構成する他の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-07T11:02:47Z)

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。