論文の概要: NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering

• arxiv url: http://arxiv.org/abs/2304.10080v1
• Date: Thu, 20 Apr 2023 04:14:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 14:28:56.431195
• Title: NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering
• Title（参考訳）: NeUDF: ボリュームレンダリングによるニューラルネットワーク非符号距離フィールドのリーン化
• Authors: Yu-Tao Liu, Li Wang, Jie yang, Weikai Chen, Xiaoxu Meng, Bo Yang, Lin Gao
• Abstract要約: NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
• 参考スコア（独自算出の注目度）: 25.078149064632218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view shape reconstruction has achieved impressive progresses thanks to the latest advances in neural implicit surface rendering. However, existing methods based on signed distance function (SDF) are limited to closed surfaces, failing to reconstruct a wide range of real-world objects that contain open-surface structures. In this work, we introduce a new neural rendering framework, coded NeUDF, that can reconstruct surfaces with arbitrary topologies solely from multi-view supervision. To gain the flexibility of representing arbitrary surfaces, NeUDF leverages the unsigned distance function (UDF) as surface representation. While a naive extension of an SDF-based neural renderer cannot scale to UDF, we propose two new formulations of weight function specially tailored for UDF-based volume rendering. Furthermore, to cope with open surface rendering, where the in/out test is no longer valid, we present a dedicated normal regularization strategy to resolve the surface orientation ambiguity. We extensively evaluate our method over a number of challenging datasets, including DTU}, MGN, and Deep Fashion 3D. Experimental results demonstrate that nEudf can significantly outperform the state-of-the-art method in the task of multi-view surface reconstruction, especially for complex shapes with open boundaries.
• Abstract（参考訳）: マルチビュー形状の再構成は、ニューラルな暗黙の表面レンダリングの最新の進歩により、目覚ましい進歩を遂げた。 しかし、符号付き距離関数(SDF)に基づく既存の手法は閉曲面に限られており、開表面構造を含む幅広い現実世界の物体を再構成することができない。 本稿では,多視点監視のみで任意の位相を持つ曲面を再構成する,新しいニューラルレンダリングフレームワークであるcoded neudfを紹介する。 任意の面を表す柔軟性を得るために、NeUDFは符号なし距離関数(UDF)を表面表現として利用する。 SDFベースのニューラルレンダラの単純拡張はUDFにスケールできないが,UDFベースのボリュームレンダリングに適した2つの新しい重み関数の定式化を提案する。 さらに,in/outテストがもはや有効ではないオープンサーフェスレンダリングに対処するために,表面方位の曖昧さを解決するための専用正規正規化戦略を提案する。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。 実験結果から,nEudf は多面的表面再構成,特に開放境界を有する複素形状において,最先端の手法よりも優れることが示された。

関連論文リスト

• NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction [63.85586195085141]
  サイン付き距離関数 (SDF) を用いたボリュームレンダリングは, 表面再構成において有意な機能を示した。 ニューロディン(NeuRodin)は、新しい2段階の神経表面再構成フレームワークである。 NeuRodinは高忠実な表面再構成を実現し、密度ベース手法の柔軟な最適化特性を維持している。
  論文  参考訳（メタデータ） (2024-08-19T17:36:35Z)
• 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)
• 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)
• Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
  そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。 我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。 本手法は,高精度な表面を細部で再構成し,その性能を向上する。
  論文  参考訳（メタデータ） (2022-11-21T10:06:09Z)
• RangeUDF: Semantic Surface Reconstruction from 3D Point Clouds [106.54285912111888]
  本研究では,新たな暗黙的表現に基づくフレームワークであるRangeUDFを紹介し,点雲から連続した3次元シーン表面の形状と意味を復元する。 RangeUDFは4点のクラウドデータセット上で表面再構成を行うための最先端のアプローチを明らかに上回っている。
  論文  参考訳（メタデータ） (2022-04-19T21:39:45Z)
• Learning Anchored Unsigned Distance Functions with Gradient Direction Alignment for Single-view Garment Reconstruction [92.23666036481399]
  本稿では,1枚の画像から3次元衣料品を復元するための,学習可能なアンコレットアンサイン距離関数 (AnchorUDF) 表現を提案する。 AnchorUDFは符号のない距離場(UDF)を予測して3次元形状を表現し、任意の解像度でオープンな衣服表面モデリングを可能にする。
  論文  参考訳（メタデータ） (2021-08-19T03:45:38Z)
• 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)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)

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。