論文の概要: Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment

• arxiv url: http://arxiv.org/abs/2305.11601v1
• Date: Fri, 19 May 2023 11:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 14:47:08.740602
• Title: Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment
• Title（参考訳）: レベルセットアライメントによるニューラルサイン付き距離関数のグラディエント整合性向上に向けて
• Authors: Baorui Ma, Junsheng Zhou, Yu-Shen Liu, Zhizhong Han
• Abstract要約: レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。 そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
• 参考スコア（独自算出の注目度）: 50.892158511845466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural signed distance functions (SDFs) have shown remarkable capability in representing geometry with details. However, without signed distance supervision, it is still a challenge to infer SDFs from point clouds or multi-view images using neural networks. In this paper, we claim that gradient consistency in the field, indicated by the parallelism of level sets, is the key factor affecting the inference accuracy. Hence, we propose a level set alignment loss to evaluate the parallelism of level sets, which can be minimized to achieve better gradient consistency. Our novelty lies in that we can align all level sets to the zero level set by constraining gradients at queries and their projections on the zero level set in an adaptive way. Our insight is to propagate the zero level set to everywhere in the field through consistent gradients to eliminate uncertainty in the field that is caused by the discreteness of 3D point clouds or the lack of observations from multi-view images. Our proposed loss is a general term which can be used upon different methods to infer SDFs from 3D point clouds and multi-view images. Our numerical and visual comparisons demonstrate that our loss can significantly improve the accuracy of SDFs inferred from point clouds or multi-view images under various benchmarks. Code and data are available at https://github.com/mabaorui/TowardsBetterGradient .
• Abstract（参考訳）: ニューラルサイン付き距離関数(SDF)は、詳細な幾何学を表現する際、顕著な能力を示した。 しかし、サイン付き距離監視がなければ、sdfsをポイントクラウドやニューラルネットワークを用いたマルチビュー画像から推測することは依然として困難である。 本稿では,フィールドの勾配整合性が,レベル集合の並列性によって示される,推論精度に影響を与える重要な要因であると主張する。 そこで,我々はレベルセットの並列性を評価するためにレベルセットアライメント損失を提案する。 我々の目新しさは、クエリの勾配とそれらの射影を適応的にゼロレベル集合に制限することにより、すべてのレベル集合をゼロレベル集合に整列できるということです。 我々の洞察は、3d点雲の離散性や多視点画像からの観測の欠如によって引き起こされる不確実性を取り除くために、一貫した勾配を通じてフィールドのあらゆる場所にゼロレベル集合を伝播させることである。 提案する損失は,3次元点雲と多視点画像からSDFを推定する様々な手法で利用できる一般用語である。 数値的および視覚的比較により,様々なベンチマークによる点雲や多視点画像から推定されるSDFの精度が著しく向上することが示された。 コードとデータはhttps://github.com/mabaorui/TowardsBetterGradient.orgで公開されている。

関連論文リスト

• Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds [34.774577477968805]
  幾何学的詳細を保存しながら暗黙の場を滑らかにする非線形暗黙フィルタを提案する。 我々の新規性は、符号付き距離場の勾配で隣接する入力点によって曲面(ゼロレベル集合)をフィルタリングできることにある。 入力された原点雲を勾配に沿って移動させることで、提案した暗黙のフィルタリングを非ゼロレベル集合に拡張することができる。
  論文  参考訳（メタデータ） (2024-07-18T09:40:24Z)
• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。 ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
  論文  参考訳（メタデータ） (2024-04-03T14:05:39Z)
• PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
  PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。 ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。 我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。 我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
  論文  参考訳（メタデータ） (2024-01-06T08:58:15Z)
• Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection [55.05706827963042]
  非符号距離関数(UDF)を用いた開口面形状の最新の表現法 ニューラルネットワークをトレーニングしてUDFを学習し、UDFのゼロレベルセットの周囲の勾配で表面を再構築する。 本稿では,UDF におけるより連続的なゼロレベルセットを,レベルセットのプロジェクションを用いて学習することを提案する。
  論文  参考訳（メタデータ） (2023-08-22T13:45:35Z)
• Quantity-Aware Coarse-to-Fine Correspondence for Image-to-Point Cloud Registration [4.954184310509112]
  Image-to-point cloud registrationは、RGBイメージと参照ポイントクラウドの間の相対カメラのポーズを決定することを目的としている。 個々の点と画素とのマッチングは、モダリティギャップによって本質的に曖昧である。 本稿では,局所点集合と画素パッチ間の量認識対応を捉える枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-14T03:55:54Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• 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。