Fugu-MT 論文翻訳(概要): P$^2$SDF for Neural Indoor Scene Reconstruction

論文の概要: P$^2$SDF for Neural Indoor Scene Reconstruction

arxiv url: http://arxiv.org/abs/2303.00236v1
Date: Wed, 1 Mar 2023 05:07:48 GMT
ステータス: 処理完了
システム内更新日: 2023-03-02 16:02:05.281261
Title: P$^2$SDF for Neural Indoor Scene Reconstruction
Title（参考訳）: P$^2$SDFによる脳内画像再構成
Authors: Jing Li, Jinpeng Yu, Ruoyu Wang, Zhengxin Li, Zhengyu Zhang, Lina Cao, and Shenghua Gao
Abstract要約: そこで本研究では,屋内シーン再構築のためのPseudo Plane-regularized Signed Distance Field (P$2$SDF)を提案する。 P$2$SDFはマンハッタンのシーンで競争力のある再現性能を発揮することを示す実験である。
参考スコア（独自算出の注目度）: 29.355255923026597
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Given only a set of images, neural implicit surface representation has shown its capability in 3D surface reconstruction. However, as the nature of per-scene optimization is based on the volumetric rendering of color, previous neural implicit surface reconstruction methods usually fail in low-textured regions, including the floors, walls, etc., which commonly exist for indoor scenes. Being aware of the fact that these low-textured regions usually correspond to planes, without introducing additional ground-truth supervisory signals or making additional assumptions about the room layout, we propose to leverage a novel Pseudo Plane-regularized Signed Distance Field (P$^2$SDF) for indoor scene reconstruction. Specifically, we consider adjacent pixels with similar colors to be on the same pseudo planes. The plane parameters are then estimated on the fly during training by an efficient and effective two-step scheme. Then the signed distances of the points on the planes are regularized by the estimated plane parameters in the training phase. As the unsupervised plane segments are usually noisy and inaccurate, we propose to assign different weights to the sampled points on the plane in plane estimation as well as the regularization loss. The weights come by fusing the plane segments from different views. As the sampled rays in the planar regions are redundant, leading to inefficient training, we further propose a keypoint-guided rays sampling strategy that attends to the informative textured regions with large color variations, and the implicit network gets a better reconstruction, compared with the original uniform ray sampling strategy. Experiments show that our P$^2$SDF achieves competitive reconstruction performance in Manhattan scenes. Further, as we do not introduce any additional room layout assumption, our P$^2$SDF generalizes well to the reconstruction of non-Manhattan scenes.
Abstract（参考訳）: 画像の集合のみを考慮すれば、神経暗示表面表現は3次元表面再構成におけるその能力を示している。しかし、シーンごとの最適化の性質は色彩のボリュームレンダリングに基づいているため、従来のニューラルネットワークによる暗黙的表面再構成手法は通常、屋内シーンによく見られる床や壁などの低テクスチャ領域では失敗する。これらの低テキスト領域が通常平面に対応するという事実に気付き、追加の地上監視信号や室内レイアウトに関する追加の仮定を導入することなく、新しい擬似平面正規化符号付き距離場(p$^2$sdf)を屋内シーンの再構成に利用することを提案する。具体的には、類似色を持つ隣接画素を同一の擬似平面上に配置する。平面パラメータは、効率よく効果的な2段階のスキームによって訓練中にフライで推定される。そして、訓練段階における推定平面パラメータにより、平面上の点の符号付き距離を定式化する。教師なし平面セグメントは通常ノイズが多く不正確なため、平面推定および正規化損失において、平面上のサンプル点に異なる重みを割り当てることを提案する。重み付けは異なる視点から平面セグメントを融合することで得られる。平面領域のサンプル光線は冗長であり、非効率なトレーニングに繋がるので、さらに色の変化が大きい有意義なテクスチャ領域に対応するキーポイント誘導光線サンプリング戦略を提案し、元の均一光線サンプリング戦略と比較して、暗黙的ネットワークの再構成が向上する。実験の結果,我々のp$^2$sdfはマンハッタンのシーンでコンストラクション性能が向上した。さらに、追加の部屋配置の仮定は導入しないので、P$^2$SDFは非マンハッタンシーンの再構築によく貢献する。

関連論文リスト

RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
論文参考訳（メタデータ） (2024-06-14T07:54:25Z)
Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文参考訳（メタデータ） (2023-09-14T12:05:29Z)
Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである本稿では,両問題を一度に解決するGPENetを提案する。我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文参考訳（メタデータ） (2022-11-03T02:21:35Z)
PlaneDepth: Self-supervised Depth Estimation via Orthogonal Planes [41.517947010531074]
複数の前頭平行面に基づく深度推定は、自己教師付き単眼深度推定(MDE)において顕著な結果を示した本研究では,垂直面と接地面を含む新しい平面ベースプレゼンテーションであるPlaneDepthを提案する。本手法は, 自律走行において重要な, 教師なしの方法で地上面を抽出することができる。
論文参考訳（メタデータ） (2022-10-04T13:51:59Z)
Occupancy Planes for Single-view RGB-D Human Reconstruction [120.5818162569105]
暗黙的な機能を持つシングルビューRGB-Dヒト再構成は、しばしばポイント単位の分類として定式化される。本稿では,カメラの視野フラストラムをスライスする平面上での占有率予測として,一視点のRGB-D人間の再構成を定式化できる占有面(OPlanes)表現を提案する。
論文参考訳（メタデータ） (2022-08-04T17:59:56Z)
Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文参考訳（メタデータ） (2022-06-14T09:40:17Z)
Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
論文参考訳（メタデータ） (2022-05-05T17:59:55Z)
PLNet: Plane and Line Priors for Unsupervised Indoor Depth Estimation [15.751045404065465]
本稿では,平面と直線の先行値を利用して深度推定を行うPLNetを提案する。 NYU Depth V2とScanNetの実験では、PLNetが既存のメソッドより優れていることが示されている。
論文参考訳（メタデータ） (2021-10-12T09:02:24Z)
Indoor Panorama Planar 3D Reconstruction via Divide and Conquer [36.466149592254965]
室内パノラマは典型的には人造構造で、重力に平行または垂直である。我々はこの現象を利用して、(H)水平面と(V)慣性面を持つ360度画像のシーンを近似する。我々は、既存の360度深度データセットを地平線H&V平面で拡張することにより、屋内パノラマ平面再構成のためのベンチマークを作成する。
論文参考訳（メタデータ） (2021-06-27T07:58:29Z)
PlaneSegNet: Fast and Robust Plane Estimation Using a Single-stage Instance Segmentation CNN [12.251947429149796]
本稿では,単一のrgb画像から分割平面領域を推定する,リアルタイム深層ニューラルネットワークアーキテクチャを提案する。本手法は2段階法に比べてフレームレートが著しく高く,セグメンテーション精度も同等である。
論文参考訳（メタデータ） (2021-03-29T08:53:05Z)
ManhattanSLAM: Robust Planar Tracking and Mapping Leveraging Mixture of Manhattan Frames [41.33367060137042]
RGB-D SLAM システムは屋内のシーンにおける構造情報を活用するために提案され、CPU上での正確な追跡と効率的な高密度マッピングを可能にする。平面波は地図上のスパース平面から直接発生し,非平面波はスーパーピクセルを抽出して生成する。提案手法は,ポーズ推定,ドリフト,再構成の精度を,他の最先端手法と比較して高い性能で評価する。
論文参考訳（メタデータ） (2021-03-28T07:11:57Z)

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。