論文の概要: Automated Reconstruction of 3D Open Surfaces from Sparse Point Clouds

• arxiv url: http://arxiv.org/abs/2210.15059v1
• Date: Wed, 26 Oct 2022 22:02:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 15:22:37.398984
• Title: Automated Reconstruction of 3D Open Surfaces from Sparse Point Clouds
• Title（参考訳）: スパース点雲からの3次元開口面の自動再構成
• Authors: Mohammad Samiul Arshad, William J. Beksi
• Abstract要約: 現実世界の3Dデータには、表面の鮮やかな隙間によって定義される複雑な詳細が含まれているかもしれない。 現在の学習に基づく暗黙的手法は、閉面再構成において高い忠実性を達成することができる。 我々は3次元空間における表面とクエリポイントの間の符号のない距離を予測する学習ベース暗黙モデルIPVNetを提案する。
• 参考スコア（独自算出の注目度）: 5.107705550575662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world 3D data may contain intricate details defined by salient surface gaps. Automated reconstruction of these open surfaces (e.g., non-watertight meshes) is a challenging problem for environment synthesis in mixed reality applications. Current learning-based implicit techniques can achieve high fidelity on closed-surface reconstruction. However, their dependence on the distinction between the inside and outside of a surface makes them incapable of reconstructing open surfaces. Recently, a new class of implicit functions have shown promise in reconstructing open surfaces by regressing an unsigned distance field. Yet, these methods rely on a discretized representation of the raw data, which loses important surface details and can lead to outliers in the reconstruction. We propose IPVNet, a learning-based implicit model that predicts the unsigned distance between a surface and a query point in 3D space by leveraging both raw point cloud data and its discretized voxel counterpart. Experiments on synthetic and real-world public datasets demonstrates that IPVNet outperforms the state of the art while producing far fewer outliers in the reconstruction.
• Abstract（参考訳）: 現実世界の3Dデータには、表面の粗い隙間によって定義される複雑な詳細が含まれているかもしれない。 これらの開放面の自動再構成(例えば、非水密メッシュ)は、複合現実感アプリケーションにおける環境合成の難しい問題である。 現在の学習に基づく暗黙的手法は、閉曲面再構成において高い忠実性を達成することができる。 しかし、表面の内側と外側の区別に依存するため、開口面の再構築は不可能である。 近年,無符号距離場を回帰させることで開曲面を再構築する新たな暗黙関数が提案されている。 しかし、これらの手法は生データの離散化表現に依存しており、重要な表面の詳細をなくし、復元における外れ率につながる可能性がある。 IPVNetは3次元空間における表面と問合せ点の間の符号のない距離を,原点クラウドデータとその離散化ボクセルデータを利用して予測する学習型暗黙モデルである。 人工的および実世界の公開データセットの実験は、IPVNetが芸術の状態を上回り、再建においてはるかに少ないアウトリーチを生み出すことを示した。

関連論文リスト

• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• ClusteringSDF: Self-Organized Neural Implicit Surfaces for 3D Decomposition [32.99080359375706]
  ClusteringSDFは、ニューラルな暗黙の表面表現を通して3次元のセグメンテーションと再構成を実現するための新しいアプローチである。 ScanNetとReplicaのデータセットから得られた挑戦的なシーンにおける実験結果から,ClusteringSDFが競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-03-21T17:59:16Z)
• IPVNet: Learning Implicit Point-Voxel Features for Open-Surface 3D Reconstruction [7.183869812690026]
  符号のない距離場を回帰する暗黙の関数は、そのような開曲面を再構成する際の約束を示す。 学習に基づく暗黙的ポイントボクセルモデル(IPVNet)を提案する。 IPVNetは、原点クラウドデータとその離散化されたボクセルデータの両方を活用することにより、表面と3次元空間におけるクエリポイントの間の符号のない距離を予測する。
  論文  参考訳（メタデータ） (2023-11-05T03:01:36Z)
• NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
  NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-04-20T04:14:42Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• 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)
• RangeUDF: Semantic Surface Reconstruction from 3D Point Clouds [106.54285912111888]
  本研究では,新たな暗黙的表現に基づくフレームワークであるRangeUDFを紹介し,点雲から連続した3次元シーン表面の形状と意味を復元する。 RangeUDFは4点のクラウドデータセット上で表面再構成を行うための最先端のアプローチを明らかに上回っている。
  論文  参考訳（メタデータ） (2022-04-19T21:39:45Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• UNISURF: Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction [61.17219252031391]
  ニューラル暗黙的3D表現を用いた多視点画像から表面を再構築する新しい手法を提案する。 我々の重要な洞察は、暗黙の曲面モデルと放射場を統一的に定式化し、表面および体積のレンダリングを可能にすることである。 実験により, マスクを必要とせず, idrと同等の性能を保ちつつ, 再構成品質でnrfを上回った。
  論文  参考訳（メタデータ） (2021-04-20T15:59:38Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。