論文の概要: Sphere-Guided Training of Neural Implicit Surfaces
- arxiv url: http://arxiv.org/abs/2209.15511v1
- Date: Fri, 30 Sep 2022 15:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:37:08.704781
- Title: Sphere-Guided Training of Neural Implicit Surfaces
- Title（参考訳）: 球誘導型ニューラルインシシット表面の訓練
- Authors: Andreea Dogaru, Andrei Timotei Ardelean, Savva Ignatyev, Evgeny
Burnaev, Egor Zakharov
- Abstract要約: 本稿では,補助的な明示的な形状表現とともに,ニューラルな暗黙表面を共同訓練する手法を提案する。
提案手法では,シーンの表面領域をカプセル化することで,暗黙の関数訓練の効率を高めることができる。
トレーニング手順の変更は、いくつかの一般的な暗黙的再構築手法にプラグイン可能であることを示す。
- 参考スコア（独自算出の注目度）: 14.882607960908217
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, surface modeling via neural implicit functions has become
one of the main techniques for multi-view 3D reconstruction. However, the
state-of-the-art methods rely on the implicit functions to model an entire
volume of the scene, leading to reduced reconstruction fidelity in the areas
with thin objects or high-frequency details. To address that, we present a
method for jointly training neural implicit surfaces alongside an auxiliary
explicit shape representation, which acts as surface guide. In our approach,
this representation encapsulates the surface region of the scene and enables us
to boost the efficiency of the implicit function training by only modeling the
volume in that region. We propose using a set of learnable spherical primitives
as a learnable surface guidance since they can be efficiently trained alongside
the neural surface function using its gradients. Our training pipeline consists
of iterative updates of the spheres' centers using the gradients of the
implicit function and then fine-tuning the latter to the updated surface region
of the scene. We show that such modification to the training procedure can be
plugged into several popular implicit reconstruction methods, improving the
quality of the results over multiple 3D reconstruction benchmarks.
- Abstract（参考訳）: 近年,ニューラル暗黙関数による表面モデリングが多視点3D再構成の主要な技術の一つとなっている。
しかし、最先端の手法はシーン全体の体積をモデル化する暗黙の関数に依存しており、薄い物体や高周波の細部を持つ領域の再現精度が低下する。
そこで本研究では,表面ガイドとして機能する補助的明示的形状表現とともに,ニューラルな暗黙表面を共同訓練する手法を提案する。
提案手法では,この表現はシーンの表面領域をカプセル化し,その領域のボリュームをモデル化するだけで,暗黙的機能トレーニングの効率を高めることができる。
本稿では,学習可能な球面プリミティブの集合を学習可能な表面ガイダンスとして用いることを提案する。
私たちのトレーニングパイプラインは、暗黙関数の勾配を使用して球の中心を反復的に更新し、後者をシーンの更新された表面領域に微調整する。
学習手順の修正はいくつかの一般的な暗黙的再構成手法に組み込むことができ,複数の3次元再構築ベンチマークにおける結果の質が向上する。
関連論文リスト
- Neural Kernel Surface Reconstruction [80.51581494300423]
本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。
我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
論文 参考訳（メタデータ） (2023-05-31T06:25:18Z) - VolRecon: Volume Rendering of Signed Ray Distance Functions for
Generalizable Multi-View Reconstruction [64.09702079593372]
VolRecon は Signed Ray Distance Function (SRDF) を用いた新しい一般化可能な暗黙的再構成法である
DTUデータセットでは、VolReconはスパースビュー再構築においてSparseNeuSを約30%上回り、フルビュー再構築においてMVSNetと同等の精度を達成する。
論文 参考訳（メタデータ） (2022-12-15T18:59:54Z) - 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) - Improved surface reconstruction using high-frequency details [44.73668037810989]
ニューラルレンダリングにおける表面再構成の品質向上のための新しい手法を提案する。
以上の結果から,本手法は高頻度表面の細部を再構築し,現状よりも優れた表面の再現性が得られることがわかった。
論文 参考訳（メタデータ） (2022-06-15T23:46:48Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳（メタデータ） (2022-06-01T17:58:15Z) - Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。
そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文 参考訳（メタデータ） (2022-05-25T17:59:53Z) - BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。
新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。
提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
論文 参考訳（メタデータ） (2022-04-03T19:33:09Z) - NeuralBlox: Real-Time Neural Representation Fusion for Robust Volumetric
Mapping [29.3378360000956]
本稿では,ニューラル暗黙表現の最近の進歩を活かした新しい3次元マッピング手法を提案する。
ニューラルな暗黙表現をインクリメンタルに構築し、更新するための融合戦略とトレーニングパイプラインを提案する。
インクリメンタルに構築された占有マップは,CPU上でもリアルタイムに取得可能であることを示す。
論文 参考訳（メタデータ） (2021-10-18T15:45:05Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳（メタデータ） (2021-06-20T12:59:42Z)
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。