Fugu-MT 論文翻訳(概要): Neural Implicit Surface Reconstruction from Noisy Camera Observations

論文の概要: Neural Implicit Surface Reconstruction from Noisy Camera Observations

arxiv url: http://arxiv.org/abs/2210.01548v1
Date: Sun, 2 Oct 2022 13:35:51 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 14:34:24.858895
Title: Neural Implicit Surface Reconstruction from Noisy Camera Observations
Title（参考訳）: ノイズカメラによるニューラルインシシデント表面の再構成
Authors: Sarthak Gupta, Patrik Huber
Abstract要約: ノイズの多いカメラパラメータから3次元表面を学習する手法を提案する。我々は, 表面表現の学習とともに, カメラパラメータを学習し, ノイズの多いカメラ観測においても, 高品質な3次元表面再構成を実現できることを示す。
参考スコア（独自算出の注目度）: 3.7768557836887138
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Representing 3D objects and scenes with neural radiance fields has become very popular over the last years. Recently, surface-based representations have been proposed, that allow to reconstruct 3D objects from simple photographs. However, most current techniques require an accurate camera calibration, i.e. camera parameters corresponding to each image, which is often a difficult task to do in real-life situations. To this end, we propose a method for learning 3D surfaces from noisy camera parameters. We show that we can learn camera parameters together with learning the surface representation, and demonstrate good quality 3D surface reconstruction even with noisy camera observations.
Abstract（参考訳）: 神経放射場を持つ3Dオブジェクトやシーンの表現は、ここ数年で非常に人気を博している。近年,簡単な写真から3Dオブジェクトを再構成できる表面表現法が提案されている。しかし、現在のほとんどの技術は正確なカメラキャリブレーション、すなわち各画像に対応するカメラパラメータを必要とする。そこで本研究では,ノイズの多いカメラパラメータから3次元表面を学習する手法を提案する。表面表現を学習することでカメラパラメータを学習でき、ノイズの多いカメラでも高品質な3d表面再構成を実現できることを示す。

関連論文リスト

NoPose-NeuS: Jointly Optimizing Camera Poses with Neural Implicit Surfaces for Multi-view Reconstruction [0.0]
NoPose-NeuSは、NeuSを拡張して、幾何学とカラーネットワークでカメラポーズを協調的に最適化する、ニューラルネットワークによる暗黙の表面再構成手法である。提案手法は, 比較的正確なカメラポーズを推定できるが, 表面改質品質は0.89で, チャムファー距離は0.89である。
論文参考訳（メタデータ） (2023-12-23T12:18:22Z)
Multi-View Neural Surface Reconstruction with Structured Light [7.709526244898887]
微分可能レンダリング(DR)に基づく3次元オブジェクト再構成はコンピュータビジョンにおいて活発な研究課題である。 DRに基づく多視点3Dオブジェクト再構成において,構造化光(SL)を用いたアクティブセンシングを導入し,任意のシーンやカメラポーズの未知の形状と外観を学習する。本手法は, テクスチャレス領域における高い再現精度を実現し, カメラポーズキャリブレーションの労力を削減する。
論文参考訳（メタデータ） (2022-11-22T03:10:46Z)
State of the Art in Dense Monocular Non-Rigid 3D Reconstruction [100.9586977875698]
モノクル2D画像から変形可能なシーン(または非剛体)の3D再構成は、コンピュータビジョンとグラフィックスの長年、活発に研究されてきた領域である。本研究は,モノクラー映像やモノクラービューの集合から,様々な変形可能な物体や複合シーンを高密度に非剛性で再現するための最先端の手法に焦点を当てる。
論文参考訳（メタデータ） (2022-10-27T17:59:53Z)
Urban Radiance Fields [77.43604458481637]
本研究では,都市屋外環境における世界地図作成によく利用されるスキャニングプラットフォームによって収集されたデータから3次元再構成と新しいビュー合成を行う。提案手法は、制御された環境下での小さなシーンのための現実的な新しい画像の合成を実証したニューラルラジアンス場を拡張している。これら3つのエクステンションはそれぞれ、ストリートビューデータの実験において、大幅なパフォーマンス改善を提供する。
論文参考訳（メタデータ） (2021-11-29T15:58:16Z)
Learning Neural Representation of Camera Pose with Matrix Representation of Pose Shift via View Synthesis [105.37072293076767]
カメラポーズを効果的に表現する方法は、3Dコンピュータビジョンの重要な問題です。カメラポーズと3Dシーンのニューラル表現を学習するためのアプローチを提案する。合成および実データに対する広範な実験を行う。
論文参考訳（メタデータ） (2021-04-04T00:40:53Z)
Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文参考訳（メタデータ） (2020-08-18T06:33:40Z)
Lightweight Multi-View 3D Pose Estimation through Camera-Disentangled Representation [57.11299763566534]
空間校正カメラで撮影した多視点画像から3次元ポーズを復元する手法を提案する。我々は3次元形状を利用して、入力画像をカメラ視点から切り離したポーズの潜在表現に融合する。アーキテクチャは、カメラプロジェクション演算子に学習した表現を条件付け、ビュー当たりの正確な2次元検出を生成する。
論文参考訳（メタデータ） (2020-04-05T12:52:29Z)
Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance [46.488713939892136]
我々は、未知の幾何学、カメラパラメータ、および表面からカメラに向かって反射された光を近似するニューラルネットワークを同時に学習するニューラルネットワークを導入する。我々は、DTU MVSデータセットから、異なる素材特性、照明条件、ノイズの多いカメラ素材を実世界の2D画像でトレーニングした。
論文参考訳（メタデータ） (2020-03-22T10:20:13Z)
Learning Precise 3D Manipulation from Multiple Uncalibrated Cameras [13.24490469380487]
本稿では,3次元な精密な操作タスクをエンド・ツー・エンドで学習するための効果的なマルチビュー手法を提案する。提案手法は,ポイントクラウドやボクセルグリッドのような明示的な3D表現を構築することなく,静的に配置された複数のRGBカメラビューを用いて,これらのタスクを達成できることを学習する。
論文参考訳（メタデータ） (2020-02-21T03:28:42Z)

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。