論文の概要: A Survey and Benchmark of Automatic Surface Reconstruction from Point Clouds
- arxiv url: http://arxiv.org/abs/2301.13656v4
- Date: Mon, 02 Dec 2024 12:11:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:55:06.654532
- 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のサーベイとベンチマーク
- Authors: Raphael Sulzer, Renaud Marlet, Bruno Vallet, Loic Landrieu,
- Abstract要約: このタスクは、ノイズ、外れ値、非一様サンプリング、欠落データなどの要因により、現実世界の取得において特に困難である。
従来のアプローチでは、入力点の雲または結果として生じる表面に手作りの先行を課すことで、問題を単純化することが多い。
ディープラーニングモデルは、データから入力ポイントクラウドと所望の表面のプロパティを直接学習する機能を持っている。
- 参考スコア（独自算出の注目度）: 12.58355339505807
- License:
- Abstract: We present a comprehensive survey and benchmark of both traditional and learning-based methods for surface reconstruction from point clouds. This task is particularly challenging for real-world acquisitions due to factors such as noise, outliers, non-uniform sampling, and missing data. Traditional approaches often simplify the problem by imposing handcrafted priors on either the input point clouds or the resulting surface, a process that can require tedious hyperparameter tuning. In contrast, deep learning models have the capability to directly learn the properties of input point clouds and desired surfaces from data. We study the influence of handcrafted and learned priors on the precision and robustness of surface reconstruction techniques. We evaluate various time-tested and contemporary methods in a standardized manner. When both trained and evaluated on point clouds with identical characteristics, the learning-based models consistently produce higher-quality surfaces compared to their traditional counterparts -- even in scenarios involving novel shape categories. However, traditional methods demonstrate greater resilience to the diverse anomalies commonly found in real-world 3D acquisitions. For the benefit of the research community, we make our code and datasets available, inviting further enhancements to learning-based surface reconstruction. This can be accessed at https://github.com/raphaelsulzer/dsr-benchmark .
- Abstract（参考訳）: 本稿では,点群からの表面再構成を行う従来の手法と学習法の両方について,総合的な調査とベンチマークを行う。
このタスクは、ノイズ、外れ値、非一様サンプリング、欠落データなどの要因により、現実世界の取得において特に困難である。
従来のアプローチでは、手作りの事前を入力点雲または結果表面に配置することで問題を単純化することが多く、これは面倒なハイパーパラメータチューニングを必要とする。
対照的に、ディープラーニングモデルには、入力点雲と所望の表面の性質を直接データから学習する能力がある。
本研究は, 表面再構成技術の精度とロバスト性に及ぼす手工芸・学歴の影響について検討する。
各種の時間テストおよび現代手法を標準化された方法で評価する。
同一の特徴を持つ点雲でトレーニングと評価を行う場合、学習ベースのモデルは、新しい形状のカテゴリを含むシナリオであっても、従来のものと比較して、常に高品質な表面を生成する。
しかし、従来の手法は、現実世界の3D取得でよく見られる多様な異常に対して、より大きなレジリエンスを示す。
研究コミュニティの利益のために、コードとデータセットを利用可能にし、学習ベースの表面再構成をさらに強化します。
これはhttps://github.com/raphaelsulzer/dsr-benchmarkでアクセスすることができる。
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。