論文の概要: A Review of Deep Learning-Powered Mesh Reconstruction Methods
- arxiv url: http://arxiv.org/abs/2303.02879v1
- Date: Mon, 6 Mar 2023 04:14:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 17:21:52.671735
- Title: A Review of Deep Learning-Powered Mesh Reconstruction Methods
- Title(参考訳): 深層学習によるメッシュ再構築手法の検討
- Authors: Zhiqin Chen
- Abstract要約: ディープラーニングにより、様々なソースから高品質な3D形状の再構築が可能になった。
一般的な3Dアプリケーションで使用するには、再構成された形状を多角形メッシュとして表現する必要がある。
- 参考スコア(独自算出の注目度): 8.244104560094721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the recent advances in hardware and rendering techniques, 3D models have
emerged everywhere in our life. Yet creating 3D shapes is arduous and requires
significant professional knowledge. Meanwhile, Deep learning has enabled
high-quality 3D shape reconstruction from various sources, making it a viable
approach to acquiring 3D shapes with minimal effort. Importantly, to be used in
common 3D applications, the reconstructed shapes need to be represented as
polygonal meshes, which is a challenge for neural networks due to the
irregularity of mesh tessellations. In this survey, we provide a comprehensive
review of mesh reconstruction methods that are powered by machine learning. We
first describe various representations for 3D shapes in the deep learning
context. Then we review the development of 3D mesh reconstruction methods from
voxels, point clouds, single images, and multi-view images. Finally, we
identify several challenges in this field and propose potential future
directions.
- Abstract(参考訳): ハードウェアとレンダリング技術の最近の進歩により、3Dモデルは私たちの生活の至るところに現れた。
しかし、3Dの形状を作るのは困難で、専門的な知識を必要とする。
一方、Deep Learningは様々なソースから高品質な3D形状の再構築を可能にし、最小限の努力で3D形状を取得するための有効なアプローチとなった。
重要なのは、一般的な3dアプリケーションで使用するためには、再構成された形状を多角形メッシュとして表現する必要があることだ。
本稿では,機械学習を利用したメッシュ再構築手法の総合的なレビューを行う。
まず,深層学習における3次元形状の表現について述べる。
次に,ボクセル,点雲,単一画像,マルチビュー画像からの3次元メッシュ再構成手法の開発について概説する。
最後に,この分野におけるいくつかの課題を特定し,今後の方向性を提案する。
関連論文リスト
- 3D Face Reconstruction Using A Spectral-Based Graph Convolution Encoder [3.9729302621559186]
本稿では,既存の2次元機能と3次元機能を統合し,モデル学習プロセスを導く革新的なアプローチを提案する。
我々のモデルはデータセットの組み合わせから2D-3Dデータペアを用いて訓練され、NoWベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-03-08T11:09:46Z) - SADIR: Shape-Aware Diffusion Models for 3D Image Reconstruction [2.2954246824369218]
限られた2次元画像からの3次元画像再構成は、コンピュータビジョンと画像解析における長年にわたる課題である。
本研究では,これらの問題に対処する3次元画像再構成のための拡散モデルに基づく形状認識ネットワークSADIRを提案する。
論文 参考訳(メタデータ) (2023-09-06T19:30:22Z) - CVRecon: Rethinking 3D Geometric Feature Learning For Neural
Reconstruction [12.53249207602695]
本稿では,エンドツーエンドの3Dニューラル再構成フレームワークCVReconを提案する。
コストボリュームにリッチな幾何学的埋め込みを利用して、3次元の幾何学的特徴学習を容易にする。
論文 参考訳(メタデータ) (2023-04-28T05:30:19Z) - 3 Dimensional Dense Reconstruction: A Review of Algorithms and Dataset [19.7595986056387]
3D高密度再構成は、2次元平面画像から3次元物体の完全な形状とテクスチャ特性を得る過程を指す。
この研究は幾何学的および光学的モデルに基づく3次元高密度再構成の古典的手法を体系的に導入する。
さらに、ディープラーニングのためのデータセットや、これらのデータセット上でディープラーニングメソッドが示すパフォーマンスとメリット、デメリットも導入されている。
論文 参考訳(メタデータ) (2023-04-19T01:56:55Z) - Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。
本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。
我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
論文 参考訳(メタデータ) (2022-08-04T14:13:35Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-06-10T08:32:57Z) - Beyond 3DMM: Learning to Capture High-fidelity 3D Face Shape [77.95154911528365]
3Dモーフィブルモデル(3DMM)の適合性は、その強力な3D先行性のため、顔解析に広く有用である。
以前に再建された3次元顔は、微細な形状が失われるため、視差の低下に悩まされていた。
本論文は, パーソナライズされた形状が対応する人物と同一に見えるよう, パーソナライズされた形状を捉えるための完全な解を提案する。
論文 参考訳(メタデータ) (2022-04-09T03:46:18Z) - 3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
単一の2D画像から3D形状を再構築することは難しい作業だ。
従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。
本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
論文 参考訳(メタデータ) (2022-03-29T02:03:31Z) - Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D
Object Detection [83.57300674285133]
射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。
具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。
本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-07-29T12:30:39Z) - 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。