論文の概要: NeuDA: Neural Deformable Anchor for High-Fidelity Implicit Surface
Reconstruction
- arxiv url: http://arxiv.org/abs/2303.02375v1
- Date: Sat, 4 Mar 2023 10:38:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 20:04:19.002679
- Title: NeuDA: Neural Deformable Anchor for High-Fidelity Implicit Surface
Reconstruction
- Title(参考訳): neuda:高忠実な暗黙的表面再構成のための神経変形型アンカー
- Authors: Bowen Cai, Jinchi Huang, Rongfei Jia, Chengfei Lv, Huan Fu
- Abstract要約: 本報告では, 異種線キャストを利用した表面の暗黙的再構成について検討する。
階層的なボクセル格子,すなわちニューラルデフォルマブルアンカー(NeuDA)を利用したフレキシブルなニューラル暗黙表現を提案する。
DTUとBlendedMVSのデータセットの実験は、NeuDAが有望なメッシュサーフェスを生成できることを実証している。
- 参考スコア(独自算出の注目度): 11.637069058198867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies implicit surface reconstruction leveraging differentiable
ray casting. Previous works such as IDR and NeuS overlook the spatial context
in 3D space when predicting and rendering the surface, thereby may fail to
capture sharp local topologies such as small holes and structures. To mitigate
the limitation, we propose a flexible neural implicit representation leveraging
hierarchical voxel grids, namely Neural Deformable Anchor (NeuDA), for
high-fidelity surface reconstruction. NeuDA maintains the hierarchical anchor
grids where each vertex stores a 3D position (or anchor) instead of the direct
embedding (or feature). We optimize the anchor grids such that different local
geometry structures can be adaptively encoded. Besides, we dig into the
frequency encoding strategies and introduce a simple hierarchical positional
encoding method for the hierarchical anchor structure to flexibly exploit the
properties of high-frequency and low-frequency geometry and appearance.
Experiments on both the DTU and BlendedMVS datasets demonstrate that NeuDA can
produce promising mesh surfaces.
- Abstract(参考訳): 本報告では, 異種線キャストを利用した表面の暗黙的再構成について検討する。
IDRやNeuSといった以前の研究は、表面を予測・レンダリングする際に3次元空間の空間的コンテキストを見落としているため、小さな穴や構造物のような鋭い局所位相を捉えられない可能性がある。
そこで本研究では,階層型ボクセルグリッドであるneural deformable anchor (neuda) を用いた,高忠実度表面再構成のためのフレキシブルニューラルネットワークの暗黙表現を提案する。
NeuDAは、各頂点が直接埋め込み(または特徴)の代わりに3D位置(またはアンカー)を格納する階層的なアンカーグリッドを維持している。
異なる局所幾何構造を適応的に符号化できるようにアンカーグリッドを最適化する。
また,周波数符号化戦略を考察し,階層型アンカー構造の簡易な階層的位置符号化法を導入し,高周波・低周波形状と外観の特性を柔軟に活用する。
DTUとBlendedMVSのデータセットの実験は、NeuDAが有望なメッシュ表面を生成できることを実証している。
関連論文リスト
- NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。
DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
論文 参考訳(メタデータ) (2023-04-20T04:14:42Z) - Looking Through the Glass: Neural Surface Reconstruction Against High
Specular Reflections [72.45512144682554]
暗黙的ニューラルレンダリングに基づく新しい表面再構成フレームワークNeuS-HSRを提案する。
NeuS-HSRでは、物体表面は暗黙の符号付き距離関数としてパラメータ化される。
我々は、NeuS-HSRが、HSRに対する高精度で堅牢なターゲット表面再構成において、最先端のアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-04-18T02:34:58Z) - NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from
Multi-view Images [17.637064969966847]
NeATは、多視点画像から任意のトポロジを持つ暗黙の曲面を学習する、新しいニューラルネットワークレンダリングフレームワークである。
NeATは、古典的なマーチングキューブアルゴリズムを用いて、フィールドからメッシュへの変換を容易にする。
我々のアプローチは、水密面と非水密面の両方を忠実に再構築することができる。
論文 参考訳(メタデータ) (2023-03-21T16:49:41Z) - HR-NeuS: Recovering High-Frequency Surface Geometry via Neural Implicit
Surfaces [6.382138631957651]
我々は新しい暗黙表面再構成法であるHigh-Resolution NeuSを提案する。
HR-NeuSは大規模な再構成精度を維持しながら高周波表面形状を復元する。
我々は,DTUおよびBlendedMVSデータセットを用いた実験により,従来の手法と同等の精度で定性的に詳細かつ定量的な3次元測地を生成できることを実証した。
論文 参考訳(メタデータ) (2023-02-14T02:25:16Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - NeuralUDF: Learning Unsigned Distance Fields for Multi-view
Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。
本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
論文 参考訳(メタデータ) (2022-11-25T15:21:45Z) - Neural Convolutional Surfaces [59.172308741945336]
この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。
このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
論文 参考訳(メタデータ) (2022-04-05T15:40:11Z) - OctField: Hierarchical Implicit Functions for 3D Modeling [18.488778913029805]
我々は3次元曲面の学習可能な階層的暗黙表現であるOctoFieldを提案し、メモリと計算予算の少ない複雑な曲面の高精度符号化を可能にする。
この目的を達成するために、曲面占有率と部分幾何学の豊かさに応じて3次元空間を適応的に分割する階層的オクツリー構造を導入する。
論文 参考訳(メタデータ) (2021-11-01T16:29:39Z) - Learning Anchored Unsigned Distance Functions with Gradient Direction
Alignment for Single-view Garment Reconstruction [92.23666036481399]
本稿では,1枚の画像から3次元衣料品を復元するための,学習可能なアンコレットアンサイン距離関数 (AnchorUDF) 表現を提案する。
AnchorUDFは符号のない距離場(UDF)を予測して3次元形状を表現し、任意の解像度でオープンな衣服表面モデリングを可能にする。
論文 参考訳(メタデータ) (2021-08-19T03:45:38Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳(メタデータ) (2021-06-20T12:59:42Z) - Deep Implicit Moving Least-Squares Functions for 3D Reconstruction [23.8586965588835]
本研究では, 離散点集合を平滑曲面に変換し, よく知られた暗黙的移動最小二乗曲面(IMLS)の定式化を提案する。
IMLS表面生成を深層ニューラルネットワークに組み込んで、点集合の柔軟性と暗黙曲面の高品質の両方を継承する。
3Dオブジェクト再構築の実験では、IMLSNetsが再構築品質と計算効率の点で最先端の学習ベースの方法を上回ることを実証しています。
論文 参考訳(メタデータ) (2021-03-23T02:26:07Z)
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。