論文の概要: OReX: Object Reconstruction from Planner Cross-sections Using Neural
Fields
- arxiv url: http://arxiv.org/abs/2211.12886v1
- Date: Wed, 23 Nov 2022 11:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 14:20:43.377356
- Title: OReX: Object Reconstruction from Planner Cross-sections Using Neural
Fields
- Title（参考訳）: orex: ニューラルフィールドを用いたプランナー断面からのオブジェクト再構成
- Authors: Haim Sawdayee, Amir Vaxman, Amit H. Bermano
- Abstract要約: 我々は,スライス単独で3次元形状再構成を行うOReXを提案する。
ニューラルネットワークは入力平面上でトレーニングされ、3D座標を受け取り、クエリポイントの内部/外部推定を返す。
メッシュ抽出工程から発生する一般的なリップル様効果を同定し,解析する。
- 参考スコア（独自算出の注目度）: 10.862993171454685
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reconstructing 3D shapes from planar cross-sections is a challenge inspired
by downstream applications like medical imaging and geographic informatics. The
input is an in/out indicator function fully defined on a sparse collection of
planes in space, and the output is an interpolation of the indicator function
to the entire volume. Previous works addressing this sparse and ill-posed
problem either produce low quality results, or rely on additional priors such
as target topology, appearance information, or input normal directions. In this
paper, we present OReX, a method for 3D shape reconstruction from slices alone,
featuring a Neural Field as the interpolation prior. A simple neural network is
trained on the input planes to receive a 3D coordinate and return an
inside/outside estimate for the query point. This prior is powerful in inducing
smoothness and self-similarities. The main challenge for this approach is
high-frequency details, as the neural prior is overly smoothing. To alleviate
this, we offer an iterative estimation architecture and a hierarchical input
sampling scheme that encourage coarse-to-fine training, allowing focusing on
high frequencies at later stages. In addition, we identify and analyze a common
ripple-like effect stemming from the mesh extraction step. We mitigate it by
regularizing the spatial gradients of the indicator function around input
in/out boundaries, cutting the problem at the root.
Through extensive qualitative and quantitative experimentation, we
demonstrate our method is robust, accurate, and scales well with the size of
the input. We report state-of-the-art results compared to previous approaches
and recent potential solutions, and demonstrate the benefit of our individual
contributions through analysis and ablation studies.
- Abstract（参考訳）: 平面断面から3D形状を再構築することは、医用画像や地理情報学といった下流の応用にインスパイアされた課題である。
入力は空間内の平面のスパース集合上で完全に定義されたイン/アウトインジケータ関数であり、出力はインジケータ関数のボリューム全体への補間である。
このスパースで不適切な問題に対処する以前の作品は、低品質の結果を生み出すか、ターゲットトポロジー、外観情報、入力正規方向といった追加の事前情報に依存する。
本稿では,スライスのみによる3次元形状復元手法であるOReXについて述べる。
単純なニューラルネットワークが入力プレーン上で訓練され、3d座標を受け取り、クエリポイントの内側/外側の見積もりを返す。
この前者は滑らかさと自己相似性をもたらすのに強力である。
このアプローチの主な課題は、神経前兆が過度に滑らかになっているため、高周波の詳細である。
これを緩和するために,反復的推定アーキテクチャと階層的入力サンプリングスキームを提供し,細かなトレーニングを奨励し,後段の高周波数にフォーカスすることができる。
さらに,メッシュ抽出工程から発生する一般的なリップル様効果を同定し,解析する。
入力イン/アウト境界付近のインジケータ関数の空間勾配を規則化し、根の問題を削減して緩和する。
定性的かつ定量的な実験を通じて,本手法は精度が高く,入力の大きさとよく一致していることを示す。
我々は,従来のアプローチと最近の潜在的ソリューションと比較して,最先端の成果を報告し,分析とアブレーション研究による個人貢献のメリットを実証する。
関連論文リスト
- Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。
我々は,各地真実の周囲に凸景観を形成する学習を提案する。
論文 参考訳（メタデータ） (2024-11-16T01:13:04Z) - PREMAP: A Unifying PREiMage APproximation Framework for Neural Networks [30.701422594374456]
本稿では,任意の多面体出力集合のアンダー・アンド・オーバー近似を生成する事前抽象化のためのフレームワークを提案する。
提案手法を様々なタスクで評価し,高インプット次元画像分類タスクに対する効率とスケーラビリティの大幅な向上を示す。
論文 参考訳（メタデータ） (2024-08-17T17:24:47Z) - 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) - NeuralGF: Unsupervised Point Normal Estimation by Learning Neural
Gradient Function [55.86697795177619]
3次元点雲の正規推定は3次元幾何処理の基本的な課題である。
我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。
広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
論文 参考訳（メタデータ） (2023-11-01T09:25:29Z) - On the ISS Property of the Gradient Flow for Single Hidden-Layer Neural
Networks with Linear Activations [0.0]
本研究では,不確かさが勾配推定に及ぼす影響について検討した。
一般の過度にパラメータ化された定式化は、損失関数が最小化される集合の外側に配置されるスプリアス平衡の集合を導入することを示す。
論文 参考訳（メタデータ） (2023-05-17T02:26:34Z) - Learned Vertex Descent: A New Direction for 3D Human Model Fitting [64.04726230507258]
画像やスキャンに適合する3次元人体モデルのための新しい最適化手法を提案する。
われわれのアプローチは、非常に異なる体型を持つ服を着た人々の基盤となる身体を捉えることができ、最先端技術と比べて大きな改善を達成できる。
LVDはまた、人間と手の3次元モデル適合にも適用でき、よりシンプルで高速な方法でSOTAに大きな改善が示される。
論文 参考訳（メタデータ） (2022-05-12T17:55:51Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳（メタデータ） (2021-09-30T10:23:55Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳（メタデータ） (2021-04-16T15:16:09Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-28T22:24:07Z)
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。