論文の概要: Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors

• arxiv url: http://arxiv.org/abs/2303.14505v1
• Date: Sat, 25 Mar 2023 15:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 19:13:29.460358
• Title: Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors
• Title（参考訳）: 先行学習のない単一スパース点雲からの符号付き距離関数の教師なし推定
• Authors: Chao Chen, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 54.966603013209685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is vital to infer signed distance functions (SDFs) from 3D point clouds. The latest methods rely on generalizing the priors learned from large scale supervision. However, the learned priors do not generalize well to various geometric variations that are unseen during training, especially for extremely sparse point clouds. To resolve this issue, we present a neural network to directly infer SDFs from single sparse point clouds without using signed distance supervision, learned priors or even normals. Our insight here is to learn surface parameterization and SDFs inference in an end-to-end manner. To make up the sparsity, we leverage parameterized surfaces as a coarse surface sampler to provide many coarse surface estimations in training iterations, according to which we mine supervision and our thin plate splines (TPS) based network infers SDFs as smooth functions in a statistical way. Our method significantly improves the generalization ability and accuracy in unseen point clouds. Our experimental results show our advantages over the state-of-the-art methods in surface reconstruction for sparse point clouds under synthetic datasets and real scans.The code is available at \url{https://github.com/chenchao15/NeuralTPS}.
• Abstract（参考訳）: 3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 最新の手法は、大規模監視から学んだ事前の一般化に依存している。 しかし、学習した先行情報は、訓練中に見えない様々な幾何学的変動、特に極端に粗い点雲に対してうまく一般化しない。 この問題を解決するために,サイン付き距離監視や学習先行,さらには正規化を使わずに,単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。 ここでの洞察は、表面パラメータ化とsdfs推論をエンドツーエンドで学ぶことです。 パラメータ化表面を粗い表面サンプリング器として利用して、トレーニング繰り返しにおける粗い表面推定を多数提供し、その監視と薄板スプライン(TPS)に基づくネットワークは、統計的にSDFをスムーズな関数として推定する。 本手法は,雲の一般化能力と精度を大幅に向上させる。 私たちの実験結果は、合成データセットと実際のスキャンによるスパースポイント雲の表面再構成における最先端の手法よりも、我々の利点を示しています。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• GridPull: Towards Scalability in Learning Implicit Representations from 3D Point Clouds [60.27217859189727]
  大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。 我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。 我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
  論文  参考訳（メタデータ） (2023-08-25T04:52:52Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)

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。