論文の概要: Polarimetric Inverse Rendering for Transparent Shapes Reconstruction
- arxiv url: http://arxiv.org/abs/2208.11836v1
- Date: Thu, 25 Aug 2022 02:52:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:23:15.561372
- Title: Polarimetric Inverse Rendering for Transparent Shapes Reconstruction
- Title（参考訳）: 透明形状復元のためのポラリメトリック逆レンダリング
- Authors: Mingqi Shao, Chongkun Xia, Dongxu Duan, Xueqian Wang
- Abstract要約: ポーラリメトリック・キューを用いた透明物体の詳細な再構成手法を提案する。
我々は、物体の幾何学をニューラルネットワークとして暗黙的に表現し、一方、偏光レンダリングは物体の偏光画像を描画することができる。
提案手法を検証するため,多視点透明形状再構成のための偏極データセットを構築した。
- 参考スコア（独自算出の注目度）: 1.807492010338763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose a novel method for the detailed reconstruction of
transparent objects by exploiting polarimetric cues. Most of the existing
methods usually lack sufficient constraints and suffer from the over-smooth
problem. Hence, we introduce polarization information as a complementary cue.
We implicitly represent the object's geometry as a neural network, while the
polarization render is capable of rendering the object's polarization images
from the given shape and illumination configuration. Direct comparison of the
rendered polarization images to the real-world captured images will have
additional errors due to the transmission in the transparent object. To address
this issue, the concept of reflection percentage which represents the
proportion of the reflection component is introduced. The reflection percentage
is calculated by a ray tracer and then used for weighting the polarization
loss. We build a polarization dataset for multi-view transparent shapes
reconstruction to verify our method. The experimental results show that our
method is capable of recovering detailed shapes and improving the
reconstruction quality of transparent objects. Our dataset and code will be
publicly available at https://github.com/shaomq2187/TransPIR.
- Abstract（参考訳）: 本研究では,偏波計を用いて透明物体の詳細な再構成を行う新しい手法を提案する。
既存の手法のほとんどは、通常十分な制約を欠き、過剰なスムース問題に苦しむ。
そこで我々は,補足的な手がかりとして分極情報を導入する。
我々は物体の形状をニューラルネットワークとして暗黙的に表現し、偏光レンダリングは物体の偏光画像を所定の形状と照明構成からレンダリングすることができる。
レンダリングされた偏光画像と実世界の撮像画像との直接比較は、透明なオブジェクトの伝送による追加のエラーをもたらす。
この問題に対処するために、反射成分の割合を表す反射率の概念を導入する。
反射率はレイトレーサによって計算され、偏光損失の重み付けに用いられる。
本手法を検証するため,多視点透明形状再構成のための偏光データセットを構築した。
実験結果から, 詳細な形状を復元し, 透明物体の再現性を向上させることができることがわかった。
データセットとコードはhttps://github.com/shaomq2187/TransPIRで公開されます。
関連論文リスト
- NeRSP: Neural 3D Reconstruction for Reflective Objects with Sparse Polarized Images [62.752710734332894]
NeRSPはスパース偏光画像を用いた反射面のニューラル3次元再構成技術である。
偏光画像形成モデルと多視点方位整合性から測光的および幾何学的手がかりを導出する。
我々は6つのビューのみを入力として、最先端の表面再構成結果を達成する。
論文 参考訳（メタデータ） (2024-06-11T09:53:18Z) - SPIDeRS: Structured Polarization for Invisible Depth and Reflectance Sensing [31.605927493154656]
目に見えない深度・反射センシング(SPIDeRS)のための構造偏光を導入する。
鍵となる考え方は、各画素における投射光の線形偏光(AoLP)の角度を変調することである。
偏光は目に見えず、深度だけでなく、直接表面の正常や反射までも取り戻すことができます。
論文 参考訳（メタデータ） (2023-12-07T18:59:21Z) - Seeing Through the Glass: Neural 3D Reconstruction of Object Inside a
Transparent Container [61.50401406132946]
透明な囲いは、異なる伝搬媒質間の界面に複数の光反射と屈折の挑戦を引き起こす。
我々は、内部部分空間の幾何学と外観を暗黙的に表現する既存のニューラル再構成法(NeuS)を用いる。
複雑な光相互作用を説明するため,ボリュームレンダリングとレイトレーシングを組み合わせたハイブリッドレンダリング戦略を開発した。
論文 参考訳（メタデータ） (2023-03-24T04:58:27Z) - Self-calibrating Photometric Stereo by Neural Inverse Rendering [88.67603644930466]
本稿では3次元オブジェクト再構成のための非校正光度ステレオの課題に取り組む。
本研究では,物体形状,光方向,光強度を協調的に最適化する手法を提案する。
本手法は,実世界のデータセット上での光推定と形状復元における最先端の精度を示す。
論文 参考訳（メタデータ） (2022-07-16T02:46:15Z) - Transparent Shape from a Single View Polarization Image [6.18278691318801]
本稿では,一視点偏光画像から透明表面を推定する学習手法を提案する。
従来の偏光法(SfP)法では、固有の透過干渉が物理に基づく事前の信頼性を大幅に低下させるため、透明な形状を推定することが困難である。
論文 参考訳（メタデータ） (2022-04-13T12:24:32Z) - PANDORA: Polarization-Aided Neural Decomposition Of Radiance [20.760987175553655]
逆レンダリングはコンピュータグラフィックスとビジョンの基本的な問題である。
座標ベースニューラルネットワークとしてのシーン特性の最近の進歩は、ニューラルネットワークの逆レンダリングを促進している。
暗黙的ニューラル表現に基づく偏光逆レンダリング手法であるPANDORAを提案する。
論文 参考訳（メタデータ） (2022-03-25T05:41:52Z) - Deep Polarization Imaging for 3D shape and SVBRDF Acquisition [7.86578678811226]
偏光キューを用いた3次元物体の形状と空間的反射率を効率よく取得する新しい手法を提案する。
偏光イメージングを深層学習と組み合わせることで,物体や物体の出現を一定の制約下で推定する従来の研究と異なり,このような制約を解消する。
我々は,フラッシュ照明とともにディープラーニングを用いた最近の研究と比較して,優れた結果を得るためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-06T17:58:43Z) - Efficient and Differentiable Shadow Computation for Inverse Problems [64.70468076488419]
微分可能幾何計算は画像に基づく逆問題に対する関心が高まっている。
微分可能な可視性とソフトシャドウ計算のための効率的かつ効率的なアプローチを提案する。
定式化は微分可能であるため, テクスチャ, 照明, 剛体ポーズ, 画像からの変形回復などの逆問題を解くために使用できる。
論文 参考訳（メタデータ） (2021-04-01T09:29:05Z) - Polarimetric Monocular Dense Mapping Using Relative Deep Depth Prior [8.552832023331248]
偏光カメラから利用できる全偏光キューを用いたオンライン再構成手法を提案する。
提案手法は, 深度マップの精度を向上し, 特に質感の悪い地域では, 密度を向上することができる。
論文 参考訳（メタデータ） (2021-02-10T01:34:37Z) - Through the Looking Glass: Neural 3D Reconstruction of Transparent
Shapes [75.63464905190061]
屈折と反射によって誘導される複雑な光路は、従来の多視点ステレオと深いステレオの両方がこの問題を解決するのを妨げている。
携帯電話カメラで取得したいくつかの画像を用いて透明物体の3次元形状を復元する物理ネットワークを提案する。
5-12個の自然画像を用いて, 複雑な透明形状に対する高品質な3次元形状の復元に成功した。
論文 参考訳（メタデータ） (2020-04-22T23:51:30Z) - Polarized Reflection Removal with Perfect Alignment in the Wild [66.48211204364142]
野生の偏光画像からの反射を除去するための新しい定式化法を提案する。
まず、既存のリフレクション除去データセットの不整合問題を同定する。
我々は100種類以上のガラスを用いた新しいデータセットを構築し、得られた透過画像は入力された混合画像と完全に一致している。
論文 参考訳（メタデータ） (2020-03-28T13:29:31Z)
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。