論文の概要: MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2206.00665v1
• Date: Wed, 1 Jun 2022 17:58:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 12:50:44.972877
• Title: MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction
• Title（参考訳）: monosdf:神経暗黙的表面再構成のための単眼幾何学的手がかりを探索する
• Authors: Zehao Yu, Songyou Peng, Michael Niemeyer, Torsten Sattler, Andreas Geiger
• Abstract要約: 最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。 これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。 近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
• 参考スコア（独自算出の注目度）: 72.05649682685197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, neural implicit surface reconstruction methods have become popular for multi-view 3D reconstruction. In contrast to traditional multi-view stereo methods, these approaches tend to produce smoother and more complete reconstructions due to the inductive smoothness bias of neural networks. State-of-the-art neural implicit methods allow for high-quality reconstructions of simple scenes from many input views. Yet, their performance drops significantly for larger and more complex scenes and scenes captured from sparse viewpoints. This is caused primarily by the inherent ambiguity in the RGB reconstruction loss that does not provide enough constraints, in particular in less-observed and textureless areas. Motivated by recent advances in the area of monocular geometry prediction, we systematically explore the utility these cues provide for improving neural implicit surface reconstruction. We demonstrate that depth and normal cues, predicted by general-purpose monocular estimators, significantly improve reconstruction quality and optimization time. Further, we analyse and investigate multiple design choices for representing neural implicit surfaces, ranging from monolithic MLP models over single-grid to multi-resolution grid representations. We observe that geometric monocular priors improve performance both for small-scale single-object as well as large-scale multi-object scenes, independent of the choice of representation.
• Abstract（参考訳）: 近年,多視点3次元再構成において暗黙的表面再構成法が普及している。 従来のマルチビューステレオ法とは対照的に、これらのアプローチはニューラルネットワークの帰納的滑らかさバイアスにより、より滑らかで完全な再構成をもたらす傾向がある。 state-of-the-art neural implicit methodは、多くの入力ビューから単純なシーンの高品質な再構成を可能にする。 しかし、そのパフォーマンスは、疎遠な視点から捉えた、大きくて複雑なシーンやシーンに対して大幅に低下する。 これは主に、rgbの再構成損失に固有の曖昧さが原因で、十分な制約が与えられず、特に、観測量が少なく、テクスチャレスな領域では顕著である。 近年の単分子形状予測の分野での進歩に触発されて、我々はこれらの手がかりが神経の暗黙の表面再構成を改善するための有用性を体系的に探求した。 汎用単眼推定器によって予測される奥行きと正常な手がかりは,復元品質と最適化時間を大幅に向上させる。 さらに,単一グリッド上のモノリシックmlpモデルからマルチレゾリューショングリッド表現まで,ニューラルネットワークの暗黙的表面を表現するための複数の設計選択を分析し,検討する。 幾何学的単眼の先行は、表現の選択とは無関係に、小型の単対象と大規模の多対象の両方のパフォーマンスを向上させる。

関連論文リスト

• Fine-detailed Neural Indoor Scene Reconstruction using multi-level importance sampling and multi-view consistency [1.912429179274357]
  そこで本研究では,FD-NeuSと呼ばれるニューラルな暗黙表面再構成手法を提案する。 具体的には,領域に基づくレイサンプリングの導出にセグメンテーションの先行を生かし,重み付けとして指数関数を用いて3次元点サンプリングを行う。 さらに,多視点特徴整合と多視点正規整合をそれぞれ監督と不確実性として導入し,詳細の再構築をさらに改善する。
  論文  参考訳（メタデータ） (2024-10-10T04:08:06Z)
• NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse Input Views [41.03837477483364]
  本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。 具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。 DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2023-12-21T16:04:45Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• MonoNeuralFusion: Online Monocular Neural 3D Reconstruction with Geometric Priors [41.228064348608264]
  本稿では,モノクロ映像からの高忠実度オンライン3次元シーン再構築のためのボリュームレンダリングを備えたニューラル暗黙シーン表現を提案する。 きめ細かい再現のために、我々の重要な洞察は、幾何的先行をニューラル暗黙のシーン表現とニューラルボリュームレンダリングの両方に組み込むことである。 MonoNeuralFusionは、量的にも質的にも、ずっと優れた完全かつきめ細かい再構築結果を生成する。
  論文  参考訳（メタデータ） (2022-09-30T00:44:26Z)
• NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
  暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。 本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。 本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
  論文  参考訳（メタデータ） (2022-07-22T10:05:36Z)
• NeuRIS: Neural Reconstruction of Indoor Scenes Using Normal Priors [84.66706400428303]
  室内シーンを高品質に再現する新手法NeuRISを提案する。 NeuRISは、ニューラルネットワークのフレームワークにおいて、室内シーンの推定正規性を前者として統合している。 実験により、NeuRISは再建品質の点で最先端の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2022-06-27T19:22:03Z)
• SparseNeuS: Fast Generalizable Neural Surface Reconstruction from Sparse views [40.7986573030214]
  SparseNeuSは,多視点画像から表面再構成を行う新しいニューラルレンダリング手法である。 SparseNeuSは、新しいシーンに一般化し、スパースイメージ(2または3まで)でうまく機能する。
  論文  参考訳（メタデータ） (2022-06-12T13:34:03Z)
• 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)
• NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction [88.02850205432763]
  物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。 DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。 本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。 マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-20T12:59:42Z)

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。