論文の概要: Learning to Construct 3D Building Wireframes from 3D Line Clouds
- arxiv url: http://arxiv.org/abs/2208.11948v1
- Date: Thu, 25 Aug 2022 09:08:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:31:16.091647
- Title: Learning to Construct 3D Building Wireframes from 3D Line Clouds
- Title（参考訳）: 3次元線雲から3次元ワイヤーフレームを構築するための学習
- Authors: Yicheng Luo, Jing Ren, Xuefei Zhe, Di Kang, Yajing Xu, Peter Wonka and
Linchao Bao
- Abstract要約: ワイヤーフレームの抽象化を構築するために,ラインクラウドを処理する最初のネットワークを提案する。
ラインパッチは、潜在的なジャンクションの存在や3D位置を予測するのに十分な輪郭情報を符号化する。
地上3次元ワイヤフレームを用いた多視点画像の合成データセットを提案する。
- 参考スコア（独自算出の注目度）: 44.86652959894933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Line clouds, though under-investigated in the previous work, potentially
encode more compact structural information of buildings than point clouds
extracted from multi-view images. In this work, we propose the first network to
process line clouds for building wireframe abstraction. The network takes a
line cloud as input , i.e., a nonstructural and unordered set of 3D line
segments extracted from multi-view images, and outputs a 3D wireframe of the
underlying building, which consists of a sparse set of 3D junctions connected
by line segments. We observe that a line patch, i.e., a group of neighboring
line segments, encodes sufficient contour information to predict the existence
and even the 3D position of a potential junction, as well as the likelihood of
connectivity between two query junctions. We therefore introduce a two-layer
Line-Patch Transformer to extract junctions and connectivities from sampled
line patches to form a 3D building wireframe model. We also introduce a
synthetic dataset of multi-view images with ground-truth 3D wireframe. We
extensively justify that our reconstructed 3D wireframe models significantly
improve upon multiple baseline building reconstruction methods.
- Abstract（参考訳）: ライン雲は、以前の研究では未検討であったが、多視点画像から抽出された点雲よりも、建物の構造情報をよりコンパクトにエンコードする可能性がある。
本稿では,ワイヤフレームの抽象化を実現するために,ラインクラウドを処理する最初のネットワークを提案する。
ネットワークは、多視点画像から抽出された非構造的および非秩序的な3次元ラインセグメントの集合を入力として、ラインセグメントで接続されたスパース3次元ジャンクションからなる下層の3次元ワイヤフレームを出力する。
線パッチ、すなわち近隣の線分群は、潜在的な接合の存在と3次元位置を予測するための十分な輪郭情報を符号化し、2つのクエリ接合間の接続可能性を示す。
そこで我々は2層ラインパッチ変換器を導入し、サンプルラインパッチから接合と接続性を抽出し、3次元ワイヤフレームモデルを構築する。
また,地上3次元ワイヤフレームを用いた多視点画像合成データセットも導入する。
我々は,再建した3次元ワイヤフレームモデルが,複数のベースライン構造復元法において著しく改善されていることを広く正当化する。
関連論文リスト
- Generating 3D House Wireframes with Semantics [11.408526398063712]
本稿では, 自己回帰モデルを用いて, セマンティックエンリッチメントを用いた3次元住宅の創出手法を提案する。
意味に基づくワイヤシーケンスを並べ替えることで,3次元ワイヤフレーム構造をシームレスに学習する。
論文 参考訳（メタデータ） (2024-07-17T02:33:34Z) - LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。
彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。
生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
論文 参考訳（メタデータ） (2024-05-24T15:09:12Z) - NEAT: Distilling 3D Wireframes from Neural Attraction Fields [52.90572335390092]
本稿では,3次元再構成セグメントと焦点接合を用いたラインフレーム接合の問題について検討する。
ProjectNEATは、クロスアートマッチングをゼロから行わずに、ジョイントニューラルフィールドとビューを楽しみます。
論文 参考訳（メタデータ） (2023-07-14T07:25:47Z) - 3D Line Mapping Revisited [86.13455066577657]
LIMAPは、3Dラインマッピングのためのライブラリで、多視点画像から3Dラインマップを堅牢かつ効率的に作成する。
私たちのコードは、既存のポイントベースのStructure-from-Motionメソッドとシームレスに統合されます。
私たちの堅牢な3Dラインマップは、新たな研究方向も開きます。
論文 参考訳（メタデータ） (2023-03-30T16:14:48Z) - Connecting the Dots: Floorplan Reconstruction Using Two-Level Queries [27.564355569013706]
本稿では,複数の部屋の多角形を並列に生成するトランスフォーマーアーキテクチャを提案する。
提案手法は,Structured3DとSceneCADの2つの挑戦的データセットに対して,新たな最先端化を実現する。
追加情報、すなわちセマンティックルームタイプやドアや窓のようなアーキテクチャ要素を予測するために簡単に拡張できる。
論文 参考訳（メタデータ） (2022-11-28T18:59:09Z) - Bridged Transformer for Vision and Point Cloud 3D Object Detection [92.86856146086316]
Bridged Transformer (BrT) は、3Dオブジェクト検出のためのエンドツーエンドアーキテクチャである。
BrTは3Dオブジェクトと2Dオブジェクトのバウンディングボックスを、ポイントとイメージパッチの両方から識別する。
BrTがSUN RGB-DおよびScanNetV2データセットの最先端手法を上回ることを示す。
論文 参考訳（メタデータ） (2022-10-04T05:44:22Z) - PC2WF: 3D Wireframe Reconstruction from Raw Point Clouds [29.528059021509115]
PC2WFは、3Dポイントクラウドをワイヤフレームモデルに変換する最初のエンドツーエンドのディープネットワークアーキテクチャである。
論文 参考訳（メタデータ） (2021-03-04T00:18:06Z) - ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。
不規則な3D点雲を通常の2Dカラー画像に変換する。
多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
論文 参考訳（メタデータ） (2020-12-05T13:19:55Z)
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。