論文の概要: VisCo Grids: Surface Reconstruction with Viscosity and Coarea Grids

• arxiv url: http://arxiv.org/abs/2303.14569v1
• Date: Sat, 25 Mar 2023 21:32:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:55:43.697731
• Title: VisCo Grids: Surface Reconstruction with Viscosity and Coarea Grids
• Title（参考訳）: VisCo Grids: 粘度とcoarea Gridによる表面再構成
• Authors: Albert Pumarola, Artsiom Sanakoyeu, Lior Yariv, Ali Thabet, Yaron Lipman
• Abstract要約: この研究は、ニューラルネットワークを単純なグリッド関数で置き換えることと、2つの新しい幾何学的先行性と共に、即時推論によるINRに匹敵する結果を達成し、トレーニング時間を改善することを示す。 VisCo Gridsを標準の再構築ベースラインで実験することで、このデータセット上で最高のINRの実行結果に匹敵する結果が得られた。
• 参考スコア（独自算出の注目度）: 36.910633132222266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface reconstruction has been seeing a lot of progress lately by utilizing Implicit Neural Representations (INRs). Despite their success, INRs often introduce hard to control inductive bias (i.e., the solution surface can exhibit unexplainable behaviours), have costly inference, and are slow to train. The goal of this work is to show that replacing neural networks with simple grid functions, along with two novel geometric priors achieve comparable results to INRs, with instant inference, and improved training times. To that end we introduce VisCo Grids: a grid-based surface reconstruction method incorporating Viscosity and Coarea priors. Intuitively, the Viscosity prior replaces the smoothness inductive bias of INRs, while the Coarea favors a minimal area solution. Experimenting with VisCo Grids on a standard reconstruction baseline provided comparable results to the best performing INRs on this dataset.
• Abstract（参考訳）: 近年,Inmplicit Neural Representations (INR) の利用により表面再構成が進展している。 その成功にもかかわらず、INRは誘導バイアス(すなわち、溶液表面が説明不可能な振る舞いを示す)を制御しにくくし、コストのかかる推論を行い、訓練が遅い。 この研究の目的は、ニューラルネットワークを単純なグリッド関数で置き換えることと、2つの新しい幾何学的先行性と共に、即時推論でINRに匹敵する結果を達成し、トレーニング時間を改善することである。 そのために、粘度とCoareaを組み込んだグリッドベースの表面再構成手法であるVisCo Gridsを紹介した。 直観的には、粘度はinrsの滑らかさ誘導バイアスを置き換えるが、コエリアは最小領域解を好む。 標準レコンストラクションベースラインでの粘性グリッドの実験は、このデータセットで最高の inrs に匹敵する結果をもたらした。

関連論文リスト

• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• PSDF: Prior-Driven Neural Implicit Surface Learning for Multi-view Reconstruction [31.768161784030923]
  このフレームワークは、事前訓練されたMVSネットワークとNISRモデルに固有の内部幾何学的先駆体から外部幾何学的先駆体を利用する。 Tanks and Templesデータセットの実験は、PSDFが複雑な制御されていないシーンで最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-01-23T13:30:43Z)
• NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse Input Views [41.03837477483364]
  本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。 具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。 DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2023-12-21T16:04:45Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• GradientSurf: Gradient-Domain Neural Surface Reconstruction from RGB Video [0.0]
  GradientSurfはモノクロRGBビデオからのリアルタイム表面再構成のための新しいアルゴリズムである。 ポアソン表面再構成にインスパイアされた提案手法は, 表面, 体積, 配向点雲の密結合に基づく。 屋内の景観復元の課題として, 提案手法は曲面を曲面で再現し, より詳細に再現できることを示した。
  論文  参考訳（メタデータ） (2023-10-09T04:54:30Z)
• 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)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
  本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。 RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
  論文  参考訳（メタデータ） (2022-06-07T08:11:22Z)

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。