論文の概要: NeuroSURF: Neural Uncertainty-aware Robust Surface Reconstruction
- arxiv url: http://arxiv.org/abs/2306.02099v2
- Date: Fri, 6 Oct 2023 15:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 09:08:44.321551
- Title: NeuroSURF: Neural Uncertainty-aware Robust Surface Reconstruction
- Title(参考訳): NeuroSURF : 神経不確かさを意識したロバスト表面再構成
- Authors: Lu Sang and Abhishek Saroha and Maolin Gao and Daniel Cremers
- Abstract要約: 本稿では,新しいサンプリング法と幾何学的手法によって駆動される質的,定量的な再構成を改良したNeuroSURFを紹介する。
入力の幾何学的特徴を考慮したサンプリング手法を用いることで、トレーニングプロセスが強化されることを示す。
出力された符号付き距離値の占有率と信頼性に関する洞察を提供するため、不確実性を伴うニューラル暗黙表面表現を増強する。
- 参考スコア(独自算出の注目度): 40.885487788615855
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Neural implicit functions have become popular for representing surfaces
because they offer an adaptive resolution and support arbitrary topologies.
While previous works rely on ground truth point clouds, they often ignore the
effect of input quality and sampling methods on the reconstruction. In this
paper, we introduce NeuroSURF, which generates significantly improved
qualitative and quantitative reconstructions driven by a novel sampling and
interpolation technique. We show that employing a sampling technique that
considers the geometric characteristics of inputs can enhance the training
process. To this end, we introduce a strategy that efficiently computes
differentiable geometric features, namely, mean curvatures, to augment the
sampling phase during the training period. Moreover, we augment the neural
implicit surface representation with uncertainty, which offers insights into
the occupancy and reliability of the output signed distance value, thereby
expanding representation capabilities into open surfaces. Finally, we
demonstrate that NeuroSURF leads to state-of-the-art reconstructions on both
synthetic and real-world data.
- Abstract(参考訳): ニューラル暗黙関数は、適応的な解像度を提供し、任意の位相をサポートするため、表面を表現するのに人気がある。
以前の研究は地上の真理点雲に依存していたが、しばしば入力品質とサンプリング方法が復元に与える影響を無視する。
本稿では,新しいサンプリング・補間法によって駆動される定性的・定量的再構成を著しく改善したNeuroSURFを紹介する。
入力の幾何学的特徴を考慮したサンプリング手法を用いることで,学習プロセスが向上することを示す。
そこで本研究では,学習期間中のサンプリングフェーズを増大させるため,異なる幾何学的特徴,すなわち平均曲率を効率的に計算する戦略を提案する。
さらに,入力された符号付き距離値の占有率と信頼性に関する洞察を提供する不確実性を伴うニューラルネットワークの暗黙的表面表現を増強し,表現能力をオープンサーフェスに拡張する。
最後に、NeuroSURFは、合成データと実世界のデータの両方に最先端の再構築をもたらすことを示す。
関連論文リスト
- Mitigating Feature Gap for Adversarial Robustness by Feature
Disentanglement [61.048842737581865]
逆方向の微調整法は, 逆方向の訓練方法で, 自然に事前訓練されたモデルを微調整することにより, 逆方向の強靭性を高めることを目的としている。
特徴ギャップの原因となる潜伏する特徴を明示的にモデル化し,取り除く,アンタングルメントに基づくアプローチを提案する。
3つのベンチマークデータセットに対する実証的な評価は、我々のアプローチが既存の逆方向の微調整法や逆方向のトレーニングベースラインを超えていることを示している。
論文 参考訳(メタデータ) (2024-01-26T08:38:57Z) - Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。
複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。
提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
論文 参考訳(メタデータ) (2023-10-10T14:06:56Z) - Developability Approximation for Neural Implicits through Rank
Minimization [0.5439020425819]
本稿では,ニューラル暗示表面から近似的に発達可能な表面を再構築する手法を提案する。
この手法の中心的な考え方は、ニューラルな暗黙の2階微分に作用する正規化項を組み込むことである。
我々は表面曲率の性質からインスピレーションを得て,圧縮センシングによるランク最小化手法を採用した。
論文 参考訳(メタデータ) (2023-08-07T20:23:39Z) - Edge Preserving Implicit Surface Representation of Point Clouds [27.632399836710164]
本稿では,ラプリカン正規化器と動的エッジサンプリング戦略を主成分とする新しいエッジ保存型暗黙表面再構成法を提案する。
現状の手法と比較すると,本手法は3次元再構成結果の質を著しく向上させる。
論文 参考訳(メタデータ) (2023-01-12T08:04:47Z) - Real-centric Consistency Learning for Deepfake Detection [8.313889744011933]
両クラスの不変表現を学習することで深度検出問題に取り組む。
本稿では,潜在世代関連特徴を抽出するための,意味論的ペアリング手法を提案する。
特徴レベルでは、表現空間における自然面の中心に基づいて、潜在的な限界特徴をシミュレートする強正のマイニングと合成法を設計する。
論文 参考訳(メタデータ) (2022-05-15T07:01:28Z) - High-resolution Face Swapping via Latent Semantics Disentanglement [50.23624681222619]
本稿では,事前学習したGANモデルの事前知識を用いた,新しい高分解能幻覚顔交換法を提案する。
我々は、ジェネレータの進行的な性質を利用して、潜在意味論を明示的に解き放つ。
我々は,2時間制約を潜時空間と画像空間に課すことにより,映像面スワップに拡張する。
論文 参考訳(メタデータ) (2022-03-30T00:33:08Z) - Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。
そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
論文 参考訳(メタデータ) (2021-06-22T19:51:59Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid
Representations [21.64457003420851]
我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。
本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
論文 参考訳(メタデータ) (2020-12-11T15:51:04Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳(メタデータ) (2020-06-10T14:47:43Z)
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。