論文の概要: Semi-signed neural fitting for surface reconstruction from unoriented point clouds

• arxiv url: http://arxiv.org/abs/2206.06715v1
• Date: Tue, 14 Jun 2022 09:40:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 14:31:17.041049
• Title: Semi-signed neural fitting for surface reconstruction from unoriented point clouds
• Title（参考訳）: 無向点雲の表面再構成のための半符号ニューラルフィッティング
• Authors: Runsong Zhu, Di Kang, Ka-Hei Hui, Yue Qian, Xuefei Zhe, Zhen Dong, Linchao Bao, Chi-Wing Fu
• Abstract要約: より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
• 参考スコア（独自算出の注目度）: 53.379712818791894
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reconstructing 3D geometry from \emph{unoriented} point clouds can benefit many downstream tasks. Recent methods mostly adopt a neural shape representation with a neural network to represent a signed distance field and fit the point cloud with an unsigned supervision. However, we observe that using unsigned supervision may cause severe ambiguities and often leads to \emph{unexpected} failures such as generating undesired surfaces in free space when reconstructing complex structures and struggle with reconstructing accurate surfaces. To reconstruct a better signed distance field, we propose semi-signed neural fitting (SSN-Fitting), which consists of a semi-signed supervision and a loss-based region sampling strategy. Our key insight is that signed supervision is more informative and regions that are obviously outside the object can be easily determined. Meanwhile, a novel importance sampling is proposed to accelerate the optimization and better reconstruct the fine details. Specifically, we voxelize and partition the object space into \emph{sign-known} and \emph{sign-uncertain} regions, in which different supervisions are applied. Also, we adaptively adjust the sampling rate of each voxel according to the tracked reconstruction loss, so that the network can focus more on the complex under-fitting regions. We conduct extensive experiments to demonstrate that SSN-Fitting achieves state-of-the-art performance under different settings on multiple datasets, including clean, density-varying, and noisy data.
• Abstract（参考訳）: emph{unoriented}ポイントクラウドから3dジオメトリを再構築することは、多くのダウンストリームタスクに役立つ。 最近の手法では、主にニューラルネットワークを用いて、符号付き距離場を表現し、符号なしの監視でポイントクラウドに適合させる。 しかし, 複雑な構造を再構築する際の空白面の発生や, 正確な表面の再構築に苦慮するなど, 符号なしの監督が重篤な曖昧さを生じさせる可能性がある。 より優れた符号付き距離場を再構築するために,半符号付き監視と損失に基づく領域サンプリング戦略からなる半符号型ニューラルフィッティング(SSN-Fitting)を提案する。 私たちの重要な洞察は、署名された監督はより情報的であり、明らかにオブジェクトの外にある領域は容易に決定できるということです。 一方,最適化を加速し,細部を再構築するために,新たな重要サンプリングを提案する。 具体的には、オブジェクト空間を異なる監督が適用される \emph{sign-known} と \emph{sign-uncertain} の領域に分割する。 また,追跡された復元損失に応じて各ボクセルのサンプリング速度を適応的に調整することにより,ネットワークが複雑な不適合領域に集中できるようにした。 ssnフィッティングがクリーン、密度変動、ノイズデータを含む複数のデータセットの異なる設定で最先端のパフォーマンスを実現することを示すために、広範な実験を行った。

関連論文リスト

• GeoTransfer : Generalizable Few-Shot Multi-View Reconstruction via Transfer Learning [8.452349885923507]
  ニューラルレージアンスフィールド(NeRF)の表現力を利用したスパース3次元再構成手法を提案する。 提案手法は,NeRF特徴量に符号化された情報を伝達して,正確な占有場表現を導出することにより,両世界の長所を提供する。 我々はDTUデータセットに対する我々のアプローチを評価し、再構築精度の観点から最先端の性能を実証する。
  論文  参考訳（メタデータ） (2024-08-27T01:28:15Z)
• Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
  本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。 RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
  論文  参考訳（メタデータ） (2022-06-07T08:11:22Z)
• iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
  iSDFは実時間符号付き距離場再構成のための連続学習システムである。 より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
  論文  参考訳（メタデータ） (2022-04-05T15:48:39Z)
• Deep Surface Reconstruction from Point Clouds with Visibility Information [66.05024551590812]
  視認性情報により生点雲を増大させる2つの簡単な方法を提案する。 提案手法は, 生成面の精度を向上するとともに, ネットワークの形状領域に対する一般化能力も向上する。
  論文  参考訳（メタデータ） (2022-02-03T19:33:47Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)
• 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)
• Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
  本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。 具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。 この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-04-06T15:07:16Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。