論文の概要: NeUDF: Learning Unsigned Distance Fields from Multi-view Images for
Reconstructing Non-watertight Models
- arxiv url: http://arxiv.org/abs/2303.15368v1
- Date: Mon, 27 Mar 2023 16:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 14:28:04.634197
- Title: NeUDF: Learning Unsigned Distance Fields from Multi-view Images for
Reconstructing Non-watertight Models
- Title(参考訳): NeUDF:非水密モデル再構成のための多視点画像からの未署名距離場学習
- Authors: Fei Hou, Jukai Deng, Xuhui Chen, Wencheng Wang, Ying He
- Abstract要約: 本論文では,多視点画像から精度の高い符号なし距離場(UDF)を学習するための新しいアルゴリズムを提案する。
NeUDFは、非水密でテクスチャレスなモデルを再構築するために特別に設計された。
テクスチャリッチモデルとテクスチャレスモデルの両方の実験は、提案手法の堅牢性と有効性を示している。
- 参考スコア(独自算出の注目度): 12.750027843313825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Volume rendering-based 3D reconstruction from multi-view images has gained
popularity in recent years, largely due to the success of neural radiance
fields (NeRF). A number of methods have been developed that build upon NeRF and
use neural volume rendering to learn signed distance fields (SDFs) for
reconstructing 3D models. However, SDF-based methods cannot represent
non-watertight models and, therefore, cannot capture open boundaries. This
paper proposes a new algorithm for learning an accurate unsigned distance field
(UDF) from multi-view images, which is specifically designed for reconstructing
non-watertight, textureless models. The proposed method, called NeUDF,
addresses the limitations of existing UDF-based methods by introducing a simple
and approximately unbiased and occlusion-aware density function. In addition, a
smooth and differentiable UDF representation is presented to make the learning
process easier and more efficient. Experiments on both texture-rich and
textureless models demonstrate the robustness and effectiveness of the proposed
approach, making it a promising solution for reconstructing challenging 3D
models from multi-view images.
- Abstract(参考訳): マルチビュー画像からのボリュームレンダリングに基づく3D再構成は近年,主にニューラルレイディアンスフィールド(NeRF)の成功により人気が高まっている。
ニューラルボリュームレンダリングを用いて3次元モデル再構築のための符号付き距離場(SDF)を学習する手法が開発されている。
しかし、SDFベースの手法は非水位モデルを表現することができず、したがって開放境界を捉えることはできない。
本稿では,非水密でテクスチャレスなモデルの再構成に特化して設計された多視点画像から,正確な符号なし距離場(UDF)を学習するための新しいアルゴリズムを提案する。
提案手法はNeUDFと呼ばれ、単純でほぼ偏りのないオクルージョン認識密度関数を導入することで既存のUDF方式の限界に対処する。
さらに、滑らかで微分可能なudf表現が提示され、学習プロセスをより簡単かつ効率的にする。
テクスチャリッチモデルとテクスチャレスモデルの両方の実験は,提案手法のロバスト性と有効性を示し,マルチビュー画像から挑戦的な3dモデルを構築するための有望な解決策である。
関連論文リスト
- DepthLab: From Partial to Complete [80.58276388743306]
不足する値は、幅広いアプリケーションにわたる深度データにとって共通の課題である。
この作業は、イメージ拡散プリエントを利用した基礎深度塗装モデルであるDepthLabと、このギャップを埋めるものだ。
提案手法は,3Dシーンのインペイント,テキストから3Dシーン生成,DUST3Rによるスパースビュー再構成,LiDAR深度補完など,様々なダウンストリームタスクにおいて有用であることを示す。
論文 参考訳(メタデータ) (2024-12-24T04:16:38Z) - DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。
実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
論文 参考訳(メタデータ) (2024-12-11T07:32:17Z) - FOF-X: Towards Real-time Detailed Human Reconstruction from a Single Image [68.84221452621674]
本稿では,1枚の画像から詳細な人物形状をリアルタイムに再現するFOF-Xを提案する。
FOF-Xはテクスチャや照明による性能劣化を避ける。
FOFとメッシュ表現間の変換アルゴリズムをラプラシアン制約とオートマトンベース不連続整合器で拡張する。
論文 参考訳(メタデータ) (2024-12-08T14:46:29Z) - DCUDF2: Improving Efficiency and Accuracy in Extracting Zero Level Sets from Unsigned Distance Fields [11.397415082340482]
符号なし距離場(UDF)は複雑な位相を持つモデルの表現を可能にするが、これらの場からの正確なゼロレベル集合は重大な問題を引き起こす。
我々は、UDFからゼロレベルセットを抽出するために、現在の最先端手法の強化であるDF2を紹介する。
提案手法では,自己適応重みを付加した精度認識損失関数を用いて,幾何学的品質を著しく向上させる。
論文 参考訳(メタデータ) (2024-08-30T13:31:15Z) - Pixel-Aligned Multi-View Generation with Depth Guided Decoder [86.1813201212539]
画素レベルの画像・マルチビュー生成のための新しい手法を提案する。
従来の作業とは異なり、潜伏映像拡散モデルのVAEデコーダにマルチビュー画像にアテンション層を組み込む。
本モデルにより,マルチビュー画像間の画素アライメントが向上する。
論文 参考訳(メタデータ) (2024-08-26T04:56:41Z) - Sparse3D: Distilling Multiview-Consistent Diffusion for Object
Reconstruction from Sparse Views [47.215089338101066]
スパースビュー入力に適した新しい3D再構成手法であるスパース3Dを提案する。
提案手法は,多視点拡散モデルから頑健な先行情報を抽出し,ニューラルラディアンス場を改良する。
強力な画像拡散モデルから2Dプリエントをタップすることで、我々の統合モデルは、常に高品質な結果をもたらす。
論文 参考訳(メタデータ) (2023-08-27T11:52:00Z) - 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) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳(メタデータ) (2020-11-24T14:22:42Z)
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。