論文の概要: Neural Density-Distance Fields

• arxiv url: http://arxiv.org/abs/2207.14455v1
• Date: Fri, 29 Jul 2022 03:13:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:49:03.752466
• Title: Neural Density-Distance Fields
• Title（参考訳）: ニューラル密度距離場
• Authors: Itsuki Ueda, Yoshihiro Fukuhara, Hirokatsu Kataoka, Hiroaki Aizawa, Hidehiko Shishido, Itaru Kitahara
• Abstract要約: 本稿では,距離と密度場を相互に拘束する新しい3次元表現であるニューラル密度距離場(NeDDF)を提案する。 距離場の定式化は、毛皮や煙のような明示的な境界面を持たない形状に拡張し、距離場から密度場への明示的な変換を可能にする。 実験により、NeDDFは、新規なビュー合成において、NeRFに匹敵する結果を提供しながら、高いローカライゼーション性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 9.742650275132029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of neural fields for 3D vision tasks is now indisputable. Following this trend, several methods aiming for visual localization (e.g., SLAM) have been proposed to estimate distance or density fields using neural fields. However, it is difficult to achieve high localization performance by only density fields-based methods such as Neural Radiance Field (NeRF) since they do not provide density gradient in most empty regions. On the other hand, distance field-based methods such as Neural Implicit Surface (NeuS) have limitations in objects' surface shapes. This paper proposes Neural Density-Distance Field (NeDDF), a novel 3D representation that reciprocally constrains the distance and density fields. We extend distance field formulation to shapes with no explicit boundary surface, such as fur or smoke, which enable explicit conversion from distance field to density field. Consistent distance and density fields realized by explicit conversion enable both robustness to initial values and high-quality registration. Furthermore, the consistency between fields allows fast convergence from sparse point clouds. Experiments show that NeDDF can achieve high localization performance while providing comparable results to NeRF on novel view synthesis. The code is available at https://github.com/ueda0319/neddf.
• Abstract（参考訳）: 3dビジョンタスクにおけるニューラルフィールドの成功は、もはや説明がつかない。 この傾向に従い、神経場を用いて距離や密度場を推定するために、視覚定位を目的としたいくつかの方法(例えばslam)が提案されている。 しかし,ほとんどの空き領域では密度勾配が得られないので,ニューラルレージアンス場(NeRF)のような密度場に基づく手法で高位置化性能を実現することは困難である。 一方、ニューラルインプリシットサーフェス(NeuS)のような距離場に基づく手法は、物体の表面形状に制限がある。 本稿では,距離と密度場を相互に拘束する新しい3次元表現であるニューラル密度距離場(NeDDF)を提案する。 距離場の定式化を、毛や煙などの明示的な境界面を持たない形状に拡張し、距離場から密度場への明示的な変換を可能にする。 明示的な変換によって実現された一貫性距離と密度場は、初期値に対する堅牢性と高品質な登録の両方を可能にする。 さらに、場間の整合性はスパース点雲からの高速収束を可能にする。 実験により、NeDDFは、新規なビュー合成において、NeRFに匹敵する結果を提供しながら、高いローカライゼーション性能が得られることが示された。 コードはhttps://github.com/ueda0319/neddfで入手できる。

関連論文リスト

• DUDF: Differentiable Unsigned Distance Fields with Hyperbolic Scaling [0.20287200280084108]
  我々は符号のない距離場の双曲的スケーリングを学習し、異なる境界条件を持つ新しいアイコン問題を定義する。 提案手法は,オープンサーフェス表現の課題に対処するだけでなく,再構築品質とトレーニング性能の大幅な向上を示す。
  論文  参考訳（メタデータ） (2024-02-14T00:42:19Z)
• Reducing Shape-Radiance Ambiguity in Radiance Fields with a Closed-Form Color Estimation Method [24.44659061093503]
  形状・輝度のあいまいさを低減するために,より適応的な手法を提案する。 まず、密度場に基づいて色場を推定し、画像を閉じた形で配置する。 実験の結果,NeRFの密度場は定性的かつ定量的に向上することがわかった。
  論文  参考訳（メタデータ） (2023-12-20T02:50:03Z)
• 3D Density-Gradient based Edge Detection on Neural Radiance Fields (NeRFs) for Geometric Reconstruction [0.0]
  密度勾配とエッジ検出フィルタを用いてニューラルレイディアンス場(NeRF)から幾何学的3次元再構成を生成する方法を示す。 提案手法は, 物体表面の幾何的精度が高く, 被写体完全性に優れる幾何学的3次元再構成を実現する能力を示す。
  論文  参考訳（メタデータ） (2023-09-26T09:56:27Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• Evaluate Geometry of Radiance Fields with Low-frequency Color Prior [27.741607821885673]
  放射場は、3Dシーンの効果的な表現であり、新規なビュー合成と3D再構成に広く採用されている。 基底真実がほとんど得られないため、幾何、すなわち密度場を評価することは依然としてオープンで難しい問題である。 Inverse Mean Residual Color (IMRC, Inverse Mean Residual Color) と呼ばれる新しい測度を提案し, 観測画像のみを用いて幾何学的特徴を評価する。
  論文  参考訳（メタデータ） (2023-04-10T02:02:57Z)
• Behind the Scenes: Density Fields for Single View Reconstruction [63.40484647325238]
  単一の画像から有意義な幾何学的シーン表現を推定することは、コンピュータビジョンの根本的な問題である。 本稿では,入力画像のフラストラム内のすべての位置を体積密度にマッピングする。 提案手法は,入力画像に隠された領域に対して有意な幾何を予測できることを示す。
  論文  参考訳（メタデータ） (2023-01-18T17:24:01Z)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)
• ImpDet: Exploring Implicit Fields for 3D Object Detection [74.63774221984725]
  我々は、境界ボックス回帰を暗黙の関数として見る新しい視点を導入する。 これは、Implicit DetectionまたはImpDetと呼ばれる提案されたフレームワークにつながります。 我々のImpDetは、異なる局所的な3次元空間の点に特定の値を割り当て、高品質な境界を生成することができる。
  論文  参考訳（メタデータ） (2022-03-31T17:52:12Z)
• Non-line-of-Sight Imaging via Neural Transient Fields [52.91826472034646]
  NLOS(non-Line-of-Sight)イメージングのためのニューラルモデリングフレームワークを提案する。 最近のNeRF(Neural Radiance Field)アプローチにインスパイアされた我々は、ニューラルネットワーク(NeTF)を表現するために多層パーセプトロン(MLP)を使用する。 共焦点と非共焦点の両方に適用可能な球状ボリュームnetf再構成パイプラインを定式化する。
  論文  参考訳（メタデータ） (2021-01-02T05:20:54Z)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。