Fugu-MT 論文翻訳(概要): 3 Dimensional Dense Reconstruction: A Review of Algorithms and Dataset

論文の概要: 3 Dimensional Dense Reconstruction: A Review of Algorithms and Dataset

arxiv url: http://arxiv.org/abs/2304.09371v1
Date: Wed, 19 Apr 2023 01:56:55 GMT
ステータス: 処理完了
システム内更新日: 2023-04-20 15:46:20.311841
Title: 3 Dimensional Dense Reconstruction: A Review of Algorithms and Dataset
Title（参考訳）: 3次元高密度再構成:アルゴリズムとデータセットのレビュー
Authors: Yangming Li
Abstract要約: 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。
参考スコア（独自算出の注目度）: 19.7595986056387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D dense reconstruction refers to the process of obtaining the complete shape and texture features of 3D objects from 2D planar images. 3D reconstruction is an important and extensively studied problem, but it is far from being solved. This work systematically introduces classical methods of 3D dense reconstruction based on geometric and optical models, as well as methods based on deep learning. It also introduces datasets for deep learning and the performance and advantages and disadvantages demonstrated by deep learning methods on these datasets.
Abstract（参考訳）: 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。 3dリコンストラクションは重要かつ広範囲に研究された問題であるが、解決にはほど遠い。本研究は,幾何学的および光学的モデルに基づく3次元密再構築の古典的手法と,深層学習に基づく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と、これらのデータセット上のディープラーニングメソッドによって示されるパフォーマンスとメリットとデメリットも紹介している。

関連論文リスト

3D Face Reconstruction Using A Spectral-Based Graph Convolution Encoder [3.749406324648861]
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)
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)
A Review of Deep Learning-Powered Mesh Reconstruction Methods [8.244104560094721]
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。
論文参考訳（メタデータ） (2023-03-06T04:14:04Z)
3D Surface Reconstruction in the Wild by Deforming Shape Priors from Synthetic Data [24.97027425606138]
1枚の画像から被写体の3次元表面を再構築することは難しい問題である。本稿では,1枚の画像から3次元合成とオブジェクトポーズ推定を行う新しい手法を提案する。提案手法は,複数の実世界のデータセットにまたがって,最先端の再構築性能を実現する。
論文参考訳（メタデータ） (2023-02-24T20:37:27Z)
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)
Capturing Shape Information with Multi-Scale Topological Loss Terms for 3D Reconstruction [7.323706635751351]
本稿では, 連結成分, サイクル, 空隙などの多次元位相特徴を再構成損失に含め, 幾何学的形状情報を補完する手法を提案する。提案手法は, 3次元体積データから3次元形状データから位相特性を計算し, 最適輸送距離を用いて復元過程を導出する。 SHAPRは2次元顕微鏡画像から個々の細胞の3次元細胞形状を予測するモデルである。
論文参考訳（メタデータ） (2022-03-03T13:18:21Z)
Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
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)
Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
論文参考訳（メタデータ） (2021-03-30T17:57:01Z)
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)
Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation [87.54570024320354]
大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。 3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
論文参考訳（メタデータ） (2020-08-04T13:56:19Z)
Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
論文参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。