論文の概要: SparseNeuS: Fast Generalizable Neural Surface Reconstruction from Sparse views

• arxiv url: http://arxiv.org/abs/2206.05737v1
• Date: Sun, 12 Jun 2022 13:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 08:06:21.037962
• Title: SparseNeuS: Fast Generalizable Neural Surface Reconstruction from Sparse views
• Title（参考訳）: SparseNeuS:スパースビューによる高速一般化可能なニューラルサーフェス再構成
• Authors: Xiaoxiao Long, Cheng Lin, Peng Wang, Taku Komura, Wenping Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 40.7986573030214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce SparseNeuS, a novel neural rendering based method for the task of surface reconstruction from multi-view images. This task becomes more difficult when only sparse images are provided as input, a scenario where existing neural reconstruction approaches usually produce incomplete or distorted results. Moreover, their inability of generalizing to unseen new scenes impedes their application in practice. Contrarily, SparseNeuS can generalize to new scenes and work well with sparse images (as few as 2 or 3). SparseNeuS adopts signed distance function (SDF) as the surface representation, and learns generalizable priors from image features by introducing geometry encoding volumes for generic surface prediction. Moreover, several strategies are introduced to effectively leverage sparse views for high-quality reconstruction, including 1) a multi-level geometry reasoning framework to recover the surfaces in a coarse-to-fine manner; 2) a multi-scale color blending scheme for more reliable color prediction; 3) a consistency-aware fine-tuning scheme to control the inconsistent regions caused by occlusion and noise. Extensive experiments demonstrate that our approach not only outperforms the state-of-the-art methods, but also exhibits good efficiency, generalizability, and flexibility.
• Abstract（参考訳）: 本稿では,多視点画像から表面再構成を行うための新しいニューラルレンダリング手法であるsparseneusを提案する。 このタスクは、既存のニューラル再構成アプローチが通常不完全または歪んだ結果を生成するシナリオである、スパース画像のみを入力として提供すると、さらに困難になる。 さらに、新しいシーンを認識できないように一般化できないことは、実際に彼らの応用を妨げる。 対照的に、SparseNeuSは新しいシーンに一般化し、スパースイメージ(わずか2、3まで)でうまく機能する。 SparseNeuSは、表面表現として符号付き距離関数(SDF)を採用し、一般的な表面予測のための幾何学的エンコーディングボリュームを導入して、画像特徴から一般化可能な先行情報を学習する。 また、質の高い再建にスパースビューを効果的に活用するための戦略もいくつか導入されている。 1) 粗面から細部までの表面を復元する多レベル幾何推論フレームワーク 2) より信頼性の高い色予測のための多色ブレンド方式 3)閉塞や騒音による不整合領域を制御するための整合性を考慮した微調整方式。 広範な実験によって、我々のアプローチは最先端の手法よりも優れているだけでなく、優れた効率性、汎用性、柔軟性も示しています。

関連論文リスト

• PVP-Recon: Progressive View Planning via Warping Consistency for Sparse-View Surface Reconstruction [49.7580491592023]
  PVP-Recon, 新規かつ効果的なスパースビュー表面再構成法を提案する。 PVP-Reconは3つのビューで初期表面の再構築を開始し、徐々に新しいビューを追加する。 このプログレッシブビュー計画の進捗は、神経SDFベースの再構築モジュールによってインターリーブされる。
  論文  参考訳（メタデータ） (2024-09-09T10:06:34Z)
• Learning Robust Generalizable Radiance Field with Visibility and Feature Augmented Point Representation [7.203073346844801]
  本稿では、一般化可能なニューラル放射場(NeRF)のための新しいパラダイムを提案する。 本稿では、画像ベースレンダリングではなく、点ベースに基づく一般化可能なニューラルネットワークを構築するための第1のパラダイムを提案する。 我々のアプローチは、幾何的先行性によって鮮度を明示的にモデル化し、それらをニューラル特徴で拡張する。
  論文  参考訳（メタデータ） (2024-01-25T17:58:51Z)
• 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)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• SC-NeuS: Consistent Neural Surface Reconstruction from Sparse and Noisy Views [20.840876921128956]
  本稿では,ノイズの多いカメラポーズによるスパースビューからの一貫した表面再構成について,特に注目する。 従来のアプローチとは異なり、この論文の重要な違いは、神経表面の明示的な幾何から直接多視点制約を利用することである。 本稿では, SC-NeuS と呼ばれるニューラルサーフェスとカメラポーズの協調学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-12T03:45:45Z)
• MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
  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。
  論文  参考訳（メタデータ） (2022-06-01T17:58:15Z)
• 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。