論文の概要: GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation
- arxiv url: http://arxiv.org/abs/2211.16762v4
- Date: Thu, 27 Jul 2023 10:52:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 20:29:44.510527
- Title: GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation
- Title(参考訳): GeoUDF:幾何学誘導距離表現による3次元点雲の表面再構成
- Authors: Siyu Ren, Junhui Hou, Xiaodong Chen, Ying He, Wenping Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 73.77505964222632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a learning-based method, namely GeoUDF,to tackle the long-standing
and challenging problem of reconstructing a discrete surface from a sparse
point cloud.To be specific, we propose a geometry-guided learning method for
UDF and its gradient estimation that explicitly formulates the unsigned
distance of a query point as the learnable affine averaging of its distances to
the tangent planes of neighboring points on the surface. Besides,we model the
local geometric structure of the input point clouds by explicitly learning a
quadratic polynomial for each point. This not only facilitates upsampling the
input sparse point cloud but also naturally induces unoriented normal, which
further augments UDF estimation. Finally, to extract triangle meshes from the
predicted UDF we propose a customized edge-based marching cube module. We
conduct extensive experiments and ablation studies to demonstrate the
significant advantages of our method over state-of-the-art methods in terms of
reconstruction accuracy, efficiency, and generality. The source code is
publicly available at https://github.com/rsy6318/GeoUDF.
- Abstract(参考訳): 本稿では, 疎点雲から離散面を再構築する長期的かつ困難な問題に取り組むための学習ベース手法であるgeoudfを提案する。具体的には, クエリ点の無符号距離を学習可能なアフィン平均値として明示的に定式化するudfの幾何誘導学習法とその勾配推定法を提案する。
さらに,各点に対する二次多項式を明示的に学習することにより,入力点雲の局所幾何構造をモデル化する。
これは入力スパース点雲のアップサンプリングを容易にするだけでなく、自然に非正規化を誘導し、UDF推定をさらに増大させる。
最後に,予測したudfから三角形メッシュを抽出するために,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。
本手法は, 復元精度, 効率, 汎用性の観点から, 最先端法よりも優れた性能を示すため, 広範囲にわたる実験およびアブレーション実験を行った。
ソースコードはhttps://github.com/rsy6318/GeoUDFで公開されている。
関連論文リスト
- Surf-D: High-Quality Surface Generation for Arbitrary Topologies using
Diffusion Models [84.70704129551245]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
UDFは任意のトポロジを扱うのに優れており、複雑な形状を生成することができる。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - Learning Consistency-Aware Unsigned Distance Functions Progressively
from Raw Point Clouds [52.28066811858009]
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。
論文 参考訳(メタデータ) (2022-10-06T08:51:08Z) - 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) - Depth Completion using Geometry-Aware Embedding [22.333381291860498]
本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。
局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
論文 参考訳(メタデータ) (2022-03-21T12:06:27Z) - 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) - Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。
本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-22T02:07:29Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳(メタデータ) (2020-02-24T14:13:29Z)
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。