論文の概要: A Survey and Benchmark of Automatic Surface Reconstruction from Point
Clouds
- arxiv url: http://arxiv.org/abs/2301.13656v1
- Date: Tue, 31 Jan 2023 14:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 16:19:57.681583
- Title: A Survey and Benchmark of Automatic Surface Reconstruction from Point
Clouds
- Title（参考訳）: 点雲からの自動表面再構成に関する調査とベンチマーク
- Authors: Raphael Sulzer, Loic Landrieu, Renaud Marlet, Bruno Vallet
- Abstract要約: ポイントクラウドによる表面の再構築は、現実世界の買収に適用する場合、特に困難である。
深部表面再構成法は、点雲とそれに対応する真の表面のトレーニングセットから直接事前を学習することができる。
学習に基づく手法は、目に見えない形状のカテゴリに一般化できるが、それらのトレーニングとテストセットは、同じ点の雲の特徴を共有する必要がある。
- 参考スコア（独自算出の注目度）: 10.093626214690385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We survey and benchmark traditional and novel learning-based algorithms that
address the problem of surface reconstruction from point clouds. Surface
reconstruction from point clouds is particularly challenging when applied to
real-world acquisitions, due to noise, outliers, non-uniform sampling and
missing data. Traditionally, different handcrafted priors of the input points
or the output surface have been proposed to make the problem more tractable.
However, hyperparameter tuning for adjusting priors to different acquisition
defects can be a tedious task. To this end, the deep learning community has
recently addressed the surface reconstruction problem. In contrast to
traditional approaches, deep surface reconstruction methods can learn priors
directly from a training set of point clouds and corresponding true surfaces.
In our survey, we detail how different handcrafted and learned priors affect
the robustness of methods to defect-laden input and their capability to
generate geometric and topologically accurate reconstructions. In our
benchmark, we evaluate the reconstructions of several traditional and
learning-based methods on the same grounds. We show that learning-based methods
can generalize to unseen shape categories, but their training and test sets
must share the same point cloud characteristics. We also provide the code and
data to compete in our benchmark and to further stimulate the development of
learning-based surface reconstruction
https://github.com/raphaelsulzer/dsr-benchmark.
- Abstract（参考訳）: 我々は,点雲の表面再構成の問題に対処する,従来型および新しい学習ベースアルゴリズムを調査し,ベンチマークする。
ノイズ、異常値、非一様サンプリング、データ欠落などにより、実世界の取得に適用する場合、ポイントクラウドからの表面復元は特に困難である。
伝統的に、入力点や出力面の異なる手作りの先行が提案されており、この問題をより引きやすくしている。
しかし、異なる取得欠陥に対する事前調整のためのハイパーパラメータチューニングは面倒な作業である。
この目的のために,最近,深層学習コミュニティが表面再構成問題に対処している。
従来のアプローチとは対照的に、深部表面再構成法は、点雲とそれに対応する真の曲面のトレーニングセットから直接事前を学習することができる。
本研究では,手作りと学習の優先度の違いが,入力の欠陥に対するロバスト性や,幾何学的・トポロジカル的に正確な再構成を実現する能力に与える影響について詳細に述べる。
本ベンチマークでは,従来型および学習型手法の再構成を同一の理由で評価する。
学習に基づく手法は,未認識の形状カテゴリに一般化できるが,そのトレーニングとテストセットは,同じ点クラウド特性を共有する必要がある。
また、ベンチマークで競合するコードとデータを提供し、学習ベースの表面再構成 https://github.com/raphaelsulzer/dsr-benchmark の開発をさらに促進します。
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) - Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - 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) - HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper
Surfaces [54.77683371400133]
本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。
実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-10-13T16:39:53Z) - Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。
我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。
我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
論文 参考訳（メタデータ） (2021-11-18T05:30:35Z) - 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) - OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud
Registration [31.108056345511976]
OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。
マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
論文 参考訳（メタデータ） (2021-03-01T11:59:59Z) - Sign-Agnostic Implicit Learning of Surface Self-Similarities for Shape
Modeling and Reconstruction from Raw Point Clouds [35.80493796701116]
物体の表面全体を共有・適応的にモデリングするための局所暗黙的表面ネットワークを学習することを提案する。
また、各表面パッチの最適化潜在符号間の相関性を改善することにより、表面の自己相似性の活用も促進する。
私たちのフレームワークは、表面自己相似性(SAIL-S3)の符号認識暗黙学習(Sign-Agnostic Implicit Learning)と呼びます。
論文 参考訳（メタデータ） (2020-12-14T13:33:22Z) - 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) - Points2Surf: Learning Implicit Surfaces from Point Cloud Patches [35.2104818061992]
スキャンベースの計算における重要なステップは、秩序のない点雲を表面に変換することである。
Points2Surfはパッチベースの新しい学習フレームワークで、正常なスキャンから正確な表面を直接生成する。
論文 参考訳（メタデータ） (2020-07-20T20:25:39Z) - Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。
私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。
提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
論文 参考訳（メタデータ） (2020-07-17T22:36:00Z)
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。