論文の概要: HelixSurf: A Robust and Efficient Neural Implicit Surface Learning of
Indoor Scenes with Iterative Intertwined Regularization
- arxiv url: http://arxiv.org/abs/2302.14340v1
- Date: Tue, 28 Feb 2023 06:20:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:58:08.183034
- Title: HelixSurf: A Robust and Efficient Neural Implicit Surface Learning of
Indoor Scenes with Iterative Intertwined Regularization
- Title（参考訳）: HelixSurf: 反復的交互正規化を伴う屋内シーンのロバストで効率的なニューラルネットワーク表面学習
- Authors: Zhihao Liang, Zhangjin Huang, Changxing Ding, Kui Jia
- Abstract要約: Helix-shaped Neural implicit Surface Learning (HelixSurf) と呼ばれる手法を提案する。
HelixSurfは、一方の戦略からの中間予測を、もう一方の戦略の学習を規則化するガイダンスとして使用する。
室内シーンの表面再構成実験により,本手法が既存手法と良好に比較できることが判明した。
- 参考スコア（独自算出の注目度）: 41.2417324078429
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recovery of an underlying scene geometry from multiview images stands as a
long-time challenge in computer vision research. The recent promise leverages
neural implicit surface learning and differentiable volume rendering, and
achieves both the recovery of scene geometry and synthesis of novel views,
where deep priors of neural models are used as an inductive smoothness bias.
While promising for object-level surfaces, these methods suffer when coping
with complex scene surfaces. In the meanwhile, traditional multi-view stereo
can recover the geometry of scenes with rich textures, by globally optimizing
the local, pixel-wise correspondences across multiple views. We are thus
motivated to make use of the complementary benefits from the two strategies,
and propose a method termed Helix-shaped neural implicit Surface learning or
HelixSurf; HelixSurf uses the intermediate prediction from one strategy as the
guidance to regularize the learning of the other one, and conducts such
intertwined regularization iteratively during the learning process. We also
propose an efficient scheme for differentiable volume rendering in HelixSurf.
Experiments on surface reconstruction of indoor scenes show that our method
compares favorably with existing methods and is orders of magnitude faster,
even when some of existing methods are assisted with auxiliary training data.
The source code is available at https://github.com/Gorilla-Lab-SCUT/HelixSurf.
- Abstract（参考訳）: マルチビュー画像からシーン形状を復元することは、コンピュータビジョン研究における長年の課題である。
最近の約束は、ニューラルな暗黙的表面学習と微分可能なボリュームレンダリングを活用し、シーン幾何学の回復と、ニューラルモデルの深い先行が帰納的滑らか性バイアスとして使用される新しいビューの合成の両方を達成する。
オブジェクトレベルのサーフェスを約束する一方で、これらのメソッドは複雑なシーンサーフェスを扱うときに苦しむ。
一方、従来のマルチビューステレオは、複数のビューにまたがる局所的画素対応をグローバルに最適化することにより、リッチなテクスチャでシーンの幾何学を復元することができる。
そこで我々は,この2つの戦略から相補的な利点を生かして,ヘリックス型神経暗黙的表面学習(helixsurf)と呼ばれる手法を提案する。
また,HelixSurfのボリュームレンダリングを効率よく行う手法を提案する。
屋内シーンの表面再構成実験では,既存の手法と同等に比較でき,既存の手法のいくつかに補助訓練データがある場合でも,桁違いに高速であることがわかった。
ソースコードはhttps://github.com/gorilla-lab-scut/helixsurfで入手できる。
関連論文リスト
- Spurfies: Sparse Surface Reconstruction using Local Geometry Priors [8.260048622127913]
我々はスパースビュー表面再構成の新しい手法であるSpurfiesを紹介した。
それは、合成データに基づいて訓練された局所幾何学的先行情報を利用するために、外観と幾何学的情報を切り離す。
提案手法をDTUデータセット上で検証し,従来技術よりも表面品質が35%向上したことを示す。
論文 参考訳（メタデータ） (2024-08-29T14:02:47Z) - NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse
Input Views [41.03837477483364]
本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。
具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。
DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2023-12-21T16:04:45Z) - DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。
本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。
実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
論文 参考訳（メタデータ） (2023-11-30T21:34:44Z) - Neural Microfacet Fields for Inverse Rendering [54.15870869037466]
本研究では,シーンの画像から材料,幾何学,環境照明を復元する手法を提案する。
本手法では, 各試料を(潜在的に不透明な)表面として扱うことにより, ボリューム設定内にマイクロファセット反射率モデルを用いる。
論文 参考訳（メタデータ） (2023-03-31T05:38:13Z) - Depth-NeuS: Neural Implicit Surfaces Learning for Multi-view
Reconstruction Based on Depth Information Optimization [6.493546601668505]
ニュートラルサーフェス表現とレンダリングの方法、例えばNeuSは、ボリュームレンダリングを通じてニュートラルサーフェスを学習することがますます人気になっていることを示した。
既存の手法では深度情報の直接表現が欠けているため、幾何学的特徴によって物体の再構成が制限されない。
これは、既存の手法では、深度情報を使わずに表面の正規表現しか使わないためである。
多視点再構成のための深度情報最適化に基づくDepth-NeuSと呼ばれる暗黙曲面学習手法を提案する。
論文 参考訳（メタデータ） (2023-03-30T01:19:27Z) - Dynamic Multi-View Scene Reconstruction Using Neural Implicit Surface [0.9134661726886928]
マルチビュービデオからの暗黙表現を用いて表面形状と外観を再構成するテンプレートレス手法を提案する。
我々はトポロジーを考慮した変形と符号付き距離場を利用して、微分可能なボリュームレンダリングにより複雑な動的曲面を学習する。
異なる多視点ビデオデータセットを用いた実験により,本手法は高忠実度表面再構成とフォトリアリスティックなノベルビュー合成を実現することを示す。
論文 参考訳（メタデータ） (2023-02-28T19:47:30Z) - Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction [142.61256012419562]
本稿では,ボクセルをベースとした表面再構成手法であるVoxurfを提案する。
ボクサーフは,(1)コヒーレントな粗い形状を達成し,細部を連続的に再現する2段階の訓練手順,2)色-幾何学的依存性を維持する2色ネットワーク,3)ボクセル間の情報伝達を促進する階層的幾何学的特徴などを通じて,上記の課題に対処する。
論文 参考訳（メタデータ） (2022-08-26T14:48:02Z) - Learning Signed Distance Field for Multi-view Surface Reconstruction [24.090786783370195]
ステレオマッチングと特徴整合性の知識を生かした新しいニューラルネットワーク表面再構成フレームワークを提案する。
サインされた距離場(SDF)と表面光場(SDF)をそれぞれ、シーン形状と外観を表すために適用する。
本手法は,地形推定のロバスト性を向上し,複雑なシーントポロジの再構築を支援する。
論文 参考訳（メタデータ） (2021-08-23T06:23:50Z) - DeepSurfels: Learning Online Appearance Fusion [77.59420353185355]
DeepSurfelsは、ジオメトリと外観情報のための新しいハイブリッドシーン表現です。
確立された表現とは対照的に、DeepSurfelsは高周波テクスチャをよりよく表現する。
私たちはエンドツーエンドのトレーニング可能なオンライン外観融合パイプラインを提示します。
論文 参考訳（メタデータ） (2020-12-28T14:13:33Z) - 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)
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。