論文の概要: NLOS-NeuS: Non-line-of-sight Neural Implicit Surface

• arxiv url: http://arxiv.org/abs/2303.12280v2
• Date: Tue, 1 Aug 2023 05:11:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 17:49:20.826058
• Title: NLOS-NeuS: Non-line-of-sight Neural Implicit Surface
• Title（参考訳）: NLOS-NeuS:非線形ニューラルインプシット表面
• Authors: Yuki Fujimura, Takahiro Kushida, Takuya Funatomi, Yasuhiro Mukaigawa
• Abstract要約: 非視線イメージング(NLOS)は、間接的な光から見える物体に見えないシーンを推測するために行われる。 我々は,NLOSシーンの3次元表面を再構成する符号付き距離関数 (SDF) を持つニューラルな暗黙表面へニューラルな過渡場 (NeTF) を拡張したNLOSニューラルな暗黙表面 (NLOS-NeuS) を提案する。
• 参考スコア（独自算出の注目度）: 15.842079629484221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-line-of-sight (NLOS) imaging is conducted to infer invisible scenes from indirect light on visible objects. The neural transient field (NeTF) was proposed for representing scenes as neural radiance fields in NLOS scenes. We propose NLOS neural implicit surface (NLOS-NeuS), which extends the NeTF to neural implicit surfaces with a signed distance function (SDF) for reconstructing three-dimensional surfaces in NLOS scenes. We introduce two constraints as loss functions for correctly learning an SDF to avoid non-zero level-set surfaces. We also introduce a lower bound constraint of an SDF based on the geometry of the first-returning photons. The experimental results indicate that these constraints are essential for learning a correct SDF in NLOS scenes. Compared with previous methods with discretized representation, NLOS-NeuS with the neural continuous representation enables us to reconstruct smooth surfaces while preserving fine details in NLOS scenes. To the best of our knowledge, this is the first study on neural implicit surfaces with volume rendering in NLOS scenes.
• Abstract（参考訳）: 非視線イメージング(NLOS)は、間接的な光から見える物体に見えないシーンを推測するために行われる。 ニューラル・トランジェント・フィールド(NeTF)は,NLOSシーンにおけるシーンをニューラル・ラディアンス・フィールドとして表現するために提案された。 我々は,NLOSシーンの3次元表面を再構成するために,符号付き距離関数(SDF)でNeTFを神経暗示面に拡張するNLOSニューラル暗示面(NLOS-NeuS)を提案する。 SDFを正しく学習するための損失関数として2つの制約を導入する。 また、第1反転光子の幾何に基づくSDFの下界制約も導入する。 実験結果から,これらの制約はNLOSシーンにおける正しいSDF学習に不可欠であることが示唆された。 NLOS-NeuSを離散化表現法と比較すると,NLOSシーンの細部を保存しながら,滑らかな面を再構成することができる。 我々の知る限りでは、NLOSシーンにおけるボリュームレンダリングを伴うニューラル暗黙の表面に関する最初の研究である。

関連論文リスト

• NeRFVS: Neural Radiance Fields for Free View Synthesis via Geometry Scaffolds [60.1382112938132]
  室内における自由ナビゲーションを可能にする新しいニューラル放射場(NeRF)法であるNeRFVSを提案する。 NeRFは、トレーニングビューと大きく異なる新規ビューに苦しむ一方で、入力ビューと同様の新規ビューの画像のレンダリングにおいて、印象的なパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-13T06:40:08Z)
• 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)
• NeuralRoom: Geometry-Constrained Neural Implicit Surfaces for Indoor Scene Reconstruction [16.470302674262268]
  本稿では,2次元画像の集合から室内空間を再現するニューラルルームという新しいニューラルサーフェス再構成手法を提案する。 室内シーンのテクスチャのない領域を,ディテールの精度を維持しながら再構築することができる。
  論文  参考訳（メタデータ） (2022-10-13T09:04:22Z)
• NeRS: Neural Reflectance Surfaces for Sparse-view 3D Reconstruction in the Wild [80.09093712055682]
  ニューラルリフレクタンスサーフェス(NeRS)と呼ばれる暗黙モデルの表面アナログを導入する。 NeRSは、球に微分される閉じた表面の神経形状の表現を学び、水密な再構成を保証する。 このようなデータから学習可能な表面ベースニューラル再構成は,体積的ニューラルレンダリングに基づく再構成よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-14T17:59:58Z)
• Neural Rays for Occlusion-aware Image-based Rendering [108.34004858785896]
  我々は,ニューラルレイ(NeuRay)と呼ばれるニューラル表現を,マルチビューイメージを入力として,新しいビュー合成(NVS)タスクのために提案する。 NeuRayは、微調整の少ない未確認シーンの高品質なノベルビューレンダリング画像を生成することができる。
  論文  参考訳（メタデータ） (2021-07-28T15:09:40Z)
• 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)
• Light Field Networks: Neural Scene Representations with Single-Evaluation Rendering [60.02806355570514]
  2次元観察から3Dシーンの表現を推定することは、コンピュータグラフィックス、コンピュータビジョン、人工知能の基本的な問題である。 そこで我々は,360度4次元光場における基礎となる3次元シーンの形状と外観の両面を表現した新しいニューラルシーン表現,光場ネットワーク(LFN)を提案する。 LFNからレイをレンダリングするには*single*ネットワークの評価しか必要としない。
  論文  参考訳（メタデータ） (2021-06-04T17:54:49Z)
• Non-line-of-Sight Imaging via Neural Transient Fields [52.91826472034646]
  NLOS(non-Line-of-Sight)イメージングのためのニューラルモデリングフレームワークを提案する。 最近のNeRF(Neural Radiance Field)アプローチにインスパイアされた我々は、ニューラルネットワーク(NeTF)を表現するために多層パーセプトロン(MLP)を使用する。 共焦点と非共焦点の両方に適用可能な球状ボリュームnetf再構成パイプラインを定式化する。
  論文  参考訳（メタデータ） (2021-01-02T05:20:54Z)

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。