論文の概要: Learning Consistency-Aware Unsigned Distance Functions Progressively from Raw Point Clouds

• arxiv url: http://arxiv.org/abs/2210.02757v2
• Date: Sat, 8 Oct 2022 04:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 17:01:34.798403
• Title: Learning Consistency-Aware Unsigned Distance Functions Progressively from Raw Point Clouds
• Title（参考訳）: 生起点雲から段階的に非符号距離関数を学習する
• Authors: Junsheng Zhou, Baorui Ma, Yu-Shen Liu, Yi Fang and Zhizhong Han
• Abstract要約: 点雲の表面再構成は3次元コンピュータビジョンにおいて重要な課題である。 最新の手法のほとんどは、点雲から符号付き距離関数を学習することでこの問題を解決する。 そこで本研究では, 原点雲から直接, 整合性を考慮した符号付き距離関数を学習する手法を提案する。
• 参考スコア（独自算出の注目度）: 52.28066811858009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface reconstruction for point clouds is an important task in 3D computer vision. Most of the latest methods resolve this problem by learning signed distance functions (SDF) from point clouds, which are limited to reconstructing shapes or scenes with closed surfaces. Some other methods tried to represent shapes or scenes with open surfaces using unsigned distance functions (UDF) which are learned from large scale ground truth unsigned distances. However, the learned UDF is hard to provide smooth distance fields near the surface due to the noncontinuous character of point clouds. In this paper, we propose a novel method to learn consistency-aware unsigned distance functions directly from raw point clouds. We achieve this by learning to move 3D queries to reach the surface with a field consistency constraint, where we also enable to progressively estimate a more accurate surface. Specifically, we train a neural network to gradually infer the relationship between 3D queries and the approximated surface by searching for the moving target of queries in a dynamic way, which results in a consistent field around the surface. Meanwhile, we introduce a polygonization algorithm to extract surfaces directly from the gradient field of the learned UDF. The experimental results in surface reconstruction for synthetic and real scan data show significant improvements over the state-of-the-art under the widely used benchmarks.
• Abstract（参考訳）: 点雲の表面再構成は3次元コンピュータビジョンにおいて重要な課題である。 最新の手法のほとんどは、閉じた面を持つ形状やシーンの再構築に制限された点雲から符号付き距離関数(sdf)を学習することでこの問題を解決する。 その他の方法では、未署名距離関数(UDF)を用いて、大規模な地上真実から未署名距離の形状やシーンを表現しようとした。 しかし, 学習したudfは点雲の非連続性のため, 表面近傍の滑らかな距離場を提供することは困難である。 本稿では,無符号距離関数を生点雲から直接学習する新しい手法を提案する。 フィールド一貫性の制約により3dクエリを表面まで移動させることで,より正確なサーフェスを段階的に見積もることを可能にした。 具体的には, 動的に問合せの移動対象を探索することで, 3次元問合せと近似面の関係を徐々に推測するためにニューラルネットワークを訓練し, その結果, 表面近傍に一貫した場が形成される。 一方,学習されたUDFの勾配場から直接表面を抽出する多角化アルゴリズムを導入する。 合成および実走査データの表面再構成実験の結果, 広く使用されているベンチマークにおいて, 最先端技術よりも顕著な改善が見られた。

関連論文リスト

• Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。 ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
  論文  参考訳（メタデータ） (2024-04-03T14:05:39Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)

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。