論文の概要: Initialization and Alignment for Adversarial Texture Optimization

• arxiv url: http://arxiv.org/abs/2207.14289v1
• Date: Thu, 28 Jul 2022 17:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 11:57:14.472972
• Title: Initialization and Alignment for Adversarial Texture Optimization
• Title（参考訳）: 逆テクスチャ最適化の初期化とアライメント
• Authors: Xiaoming Zhao and Zhizhen Zhao and Alexander G. Schwing
• Abstract要約: テクスチャ生成の方法は、クリーンな幾何学と合理的に整合した画像データを必要とすることが多い。 テクスチャマップとアライメントプロシージャへの幾何形状のロバストマッピングを開発する。 本研究では, 合計2807フレームの11の場面でテクスチャ生成の有効性を実証し, 知覚的および鋭さの測定に関して7.8%と11.1%の相対的な改善を観察した。
• 参考スコア（独自算出の注目度）: 140.61559394862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recovery of geometry from image and video data has received a lot of attention in computer vision, methods to capture the texture for a given geometry are less mature. Specifically, classical methods for texture generation often assume clean geometry and reasonably well-aligned image data. While very recent methods, e.g., adversarial texture optimization, better handle lower-quality data obtained from hand-held devices, we find them to still struggle frequently. To improve robustness, particularly of recent adversarial texture optimization, we develop an explicit initialization and an alignment procedure. It deals with complex geometry due to a robust mapping of the geometry to the texture map and a hard-assignment-based initialization. It deals with misalignment of geometry and images by integrating fast image-alignment into the texture refinement optimization. We demonstrate efficacy of our texture generation on a dataset of 11 scenes with a total of 2807 frames, observing 7.8% and 11.1% relative improvements regarding perceptual and sharpness measurements.
• Abstract（参考訳）: 画像やビデオデータからの幾何の復元はコンピュータビジョンにおいて多くの注目を集めているが、与えられた幾何学のテクスチャを捉える方法は未成熟である。 具体的には、テクスチャ生成のための古典的な手法は、しばしばクリーンな幾何学と合理的に整合した画像データを仮定する。 直近の手法、例えば、逆向きテクスチャ最適化は、ハンドヘルドデバイスから得られる低品質データをうまく処理するが、それでも頻繁に苦労する。 近年のテクスチャ最適化において、ロバスト性を向上させるため、明示的な初期化とアライメント手順を開発した。 幾何学のテクスチャマップへの堅牢なマッピングとハードアサインに基づく初期化により、複雑な幾何学を扱う。 テクスチャリファインメント最適化に高速な画像アライメントを統合することで、幾何学と画像の誤アライメントを扱う。 テクスチャ生成の有効性を,合計2807フレームの11シーンのデータセットで示し,知覚およびシャープネス測定における7.8%と11.1%の相対的改善を観察した。

関連論文リスト

• Meta 3D TextureGen: Fast and Consistent Texture Generation for 3D Objects [54.80813150893719]
  高品質なテクスチャを20秒未満で生成することを目的とした,2つのシーケンシャルネットワークで構成される新しいフィードフォワード方式であるMeta 3D TextureGenを紹介する。 提案手法は,2次元空間の3次元セマンティクスにテキスト・ツー・イメージ・モデルを適用し,それらを完全かつ高解像度なUVテクスチャマップに融合することにより,品質とスピードを向上する。 さらに、任意の比率で任意のテクスチャをアップスケーリングできるテクスチャ拡張ネットワークを導入し、4kピクセルの解像度テクスチャを生成します。
  論文  参考訳（メタデータ） (2024-07-02T17:04:34Z)
• Topo4D: Topology-Preserving Gaussian Splatting for High-Fidelity 4D Head Capture [8.21159633722483]
  自動幾何およびテクスチャ生成のための新しいフレームワークであるTopo4Dを提案する。 まず、時系列面を固定位相を持つ動的3次元ガウス面の集合として表現する。 次に、高品質な幾何学とテクスチャ学習のためのフレーム・バイ・フレームの代替的な幾何学とテクスチャ最適化を行う。
  論文  参考訳（メタデータ） (2024-06-01T13:37:51Z)
• TextureDreamer: Image-guided Texture Synthesis through Geometry-aware Diffusion [64.49276500129092]
  TextureDreamerは画像誘導型テクスチャ合成法である。 少数の入力画像から任意のカテゴリでターゲットの3D形状に光沢のあるテクスチャを転送することができる。
  論文  参考訳（メタデータ） (2024-01-17T18:55:49Z)
• GeoScaler: Geometry and Rendering-Aware Downsampling of 3D Mesh Textures [0.06990493129893112]
  高解像度テクスチャマップは、3Dメッシュで現実世界のオブジェクトを正確に表現するために必要である。 GeoScalerは幾何学的手がかりを取り入れつつ、3Dメッシュのテクスチャマップをダウンサンプリングする方法である。 また,GeoScalerが生成したテクスチャは,従来のダウンサンプリング手法に比べて,画質のよいレンダリング画像を提供することを示した。
  論文  参考訳（メタデータ） (2023-11-28T07:55:25Z)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)
• TexPose: Neural Texture Learning for Self-Supervised 6D Object Pose Estimation [55.94900327396771]
  合成データから6次元オブジェクトポーズ推定のためのニューラルネットワークによるテクスチャ学習を提案する。 実画像からオブジェクトの現実的なテクスチャを予測することを学ぶ。 画素完全合成データからポーズ推定を学習する。
  論文  参考訳（メタデータ） (2022-12-25T13:36:32Z)
• Adaptive Joint Optimization for 3D Reconstruction with Differentiable Rendering [22.2095090385119]
  完璧に再構成された3Dモデルを考えると、従来の手法は幾何学、テクスチャ、カメラのポーズの洗練に重点を置いてきた。 本稿では、カメラポーズ、幾何学、テクスチャの最適化を統一されたフレームワークに統合する、微分可能レンダリングに基づく新しい最適化手法を提案する。 微分可能レンダリングを用いることで、3Dモデルをさらに改善し、よりフォトリアリスティックにすることができる。
  論文  参考訳（メタデータ） (2022-08-15T04:32:41Z)
• Fine Detailed Texture Learning for 3D Meshes with Generative Models [33.42114674602613]
  本稿では,多視点画像と単視点画像の両方から高品質なテクスチャ3Dモデルを再構成する手法を提案する。 第1段階では正確な幾何学を学ぶことに集中し、第2段階では、生成的対向ネットワークを用いてテクスチャを学ぶことに集中する。 本手法は従来の手法に比べて優れた3次元テクスチャモデルを実現することを実証する。
  論文  参考訳（メタデータ） (2022-03-17T14:50:52Z)
• Controllable Person Image Synthesis with Spatially-Adaptive Warped Normalization [72.65828901909708]
  制御可能な人物画像生成は、望ましい属性を持つ現実的な人間の画像を作成することを目的としている。 本稿では,学習フロー場とワープ変調パラメータを統合した空間適応型ワープ正規化(SAWN)を提案する。 本稿では,テクスチャ・トランスファータスクの事前学習モデルを洗練するための,新たな自己学習部分置換戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-31T07:07:44Z)
• Unified Shape and SVBRDF Recovery using Differentiable Monte Carlo Rendering [20.68222611798537]
  高品質な再構築が可能な新しい分析合成技術を提案する。 幾何と反射率をほぼ別々に扱う従来の方法とは異なり、本手法は両者の最適化を統一する。 物理的に正確な勾配推定を得るために,新しいGPUベースのモンテカルロ微分レンダリング理論を開発した。
  論文  参考訳（メタデータ） (2021-03-28T19:44:05Z)

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。