論文の概要: Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2208.12697v2
• Date: Mon, 29 Aug 2022 16:34:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 11:10:59.560517
• Title: Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction
• Title（参考訳）: voxurf:voxelベースの効率的かつ正確な神経表面再構成
• Authors: Tong Wu, Jiaqi Wang, Xingang Pan, Xudong Xu, Christian Theobalt, Ziwei Liu, Dahua Lin
• Abstract要約: ボクセルをベースとした神経表面再構成手法であるVoxurfを開発した。 実験の結果,Voxurfは高い効率と高い品質を同時に達成できることがわかった。
• 参考スコア（独自算出の注目度）: 141.47810595396498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surface reconstruction aims to reconstruct accurate 3D surfaces based on multi-view images. Previous methods based on neural volume rendering mostly train a fully implicit model, and they require hours of training for a single scene. Recent efforts explore the explicit volumetric representation, which substantially accelerates the optimization process by memorizing significant information in learnable voxel grids. However, these voxel-based methods often struggle in reconstructing fine-grained geometry. Through empirical studies, we found that high-quality surface reconstruction hinges on two key factors: the capability of constructing a coherent shape and the precise modeling of color-geometry dependency. In particular, the latter is the key to the accurate reconstruction of fine details. Inspired by these findings, we develop Voxurf, a voxel-based approach for efficient and accurate neural surface reconstruction, which consists of two stages: 1) leverage a learnable feature grid to construct the color field and obtain a coherent coarse shape, and 2) refine detailed geometry with a dual color network that captures precise color-geometry dependency. We further introduce a hierarchical geometry feature to enable information sharing across voxels. Our experiments show that Voxurf achieves high efficiency and high quality at the same time. On the DTU benchmark, Voxurf achieves higher reconstruction quality compared to state-of-the-art methods, with 20x speedup in training.
• Abstract（参考訳）: 神経表面再構成は、多視点画像に基づく正確な3次元表面の再構築を目的としている。 ニューラルボリュームレンダリングに基づく従来の方法は、主に完全に暗黙のモデルをトレーニングし、1つのシーンで何時間もトレーニングする必要がある。 最近の研究は、学習可能なボクセルグリッドにおける重要な情報を記憶することで最適化プロセスを大幅に加速する明示的な体積表現を探求している。 しかしながら、これらのボクセルに基づく手法は、しばしば細かい幾何学の再構築に苦労する。 実験の結果,高品質な表面再構成は,コヒーレント形状の構築能力と色・幾何学依存性の正確なモデリングの2つの重要な要因にかかっていることがわかった。 特に後者は細部の正確な復元の鍵である。 これらの知見にインスパイアされたVoxurfは,2段階からなる,効率的かつ正確な神経表面再構成のためのボクセルベースアプローチである。 1)学習可能な特徴格子を利用して色場を構築し、コヒーレントな粗い形状を得る。 2) 精密な色-幾何依存性を捉えるデュアルカラーネットワークで詳細な幾何を精査する。 さらに,voxel間の情報共有を可能にする階層幾何機能についても紹介する。 実験の結果,Voxurfは高い効率と高い品質を同時に達成できることがわかった。 dtuベンチマークでは、voxurfは最新技術よりも高いコンストラクション品質を実現し、トレーニングの20倍のスピードアップを実現している。

関連論文リスト

• NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction [63.85586195085141]
  サイン付き距離関数 (SDF) を用いたボリュームレンダリングは, 表面再構成において有意な機能を示した。 ニューロディン(NeuRodin)は、新しい2段階の神経表面再構成フレームワークである。 NeuRodinは高忠実な表面再構成を実現し、密度ベース手法の柔軟な最適化特性を維持している。
  論文  参考訳（メタデータ） (2024-08-19T17:36:35Z)
• VoxNeuS: Enhancing Voxel-Based Neural Surface Reconstruction via Gradient Interpolation [10.458776364195796]
  計算およびメモリ効率のよいニューラルサーフェス再構成のための軽量なサーフェス再構成法であるVoxNeuSを提案する。 トレーニングプロセス全体は15分で、1つの2080ti GPU上で3GB未満のメモリを必要とする。
  論文  参考訳（メタデータ） (2024-06-11T11:26:27Z)
• HVOFusion: Incremental Mesh Reconstruction Using Hybrid Voxel Octree [12.180935725861723]
  本稿では,オクセル構造とオクセル構造を融合させるハイブリッドなオクセルオクツリー手法を提案する。 このようなスパース構造は葉ノードの三角形の面を保存し、漸進的な再構成のために部分メッシュを逐次生成する。 いくつかのデータセットに対する実験結果から,提案手法は現実的な色でシーンを迅速かつ正確に再構築できることが示された。
  論文  参考訳（メタデータ） (2024-04-27T18:24:53Z)
• PR-NeuS: A Prior-based Residual Learning Paradigm for Fast Multi-view Neural Surface Reconstruction [45.34454245176438]
  高速多視点ニューラルサーフェス再構成のための事前学習パラダイムを提案する。 本手法は,1つのシーンの表面を再構築するのに3分程度しかかからず,競争力のある表面品質を実現している。
  論文  参考訳（メタデータ） (2023-12-18T09:24:44Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [51.49008959209671]
  本稿では,室内ビュー合成の品質と効率を高めるために,ボリューム表現を活用する新しいアプローチであるVoxNeRFを紹介する。 我々は,空間的特徴を適応的に捉えるためにマルチレゾリューション・ハッシュ・グリッドを使用し,室内シーンの閉塞や複雑な形状を効果的に管理する。 我々は,3つの屋内データセットに対するアプローチを検証するとともに,VoxNeRFが最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)
• Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
  本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。 我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。 実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T16:50:19Z)
• Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
  そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。 我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。 本手法は,高精度な表面を細部で再構成し,その性能を向上する。
  論文  参考訳（メタデータ） (2022-11-21T10:06:09Z)
• Fast Dynamic Radiance Fields with Time-Aware Neural Voxels [106.69049089979433]
  タイムアウェアなボクセル特徴を持つシーンを表現し,TiNeuVoxという名前のラジアンスフィールドフレームワークを提案する。 我々のフレームワークは、高いレンダリング品質を維持しながら、動的ラディアンスフィールドの最適化を加速する。 TiNeuVoxは8分と8MBのストレージでトレーニングを完了しています。
  論文  参考訳（メタデータ） (2022-05-30T17:47:31Z)
• Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
  本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。 我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
  論文  参考訳（メタデータ） (2021-01-26T18:50:22Z)

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。