論文の概要: Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection

• arxiv url: http://arxiv.org/abs/2308.11441v1
• Date: Tue, 22 Aug 2023 13:45:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 17:58:06.742907
• Title: Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection
• Title（参考訳）: レベルセット投影による符号なし距離場におけるより連続的なゼロレベル集合の学習
• Authors: Junsheng Zhou, Baorui Ma, Shujuan Li, Yu-Shen Liu, Zhizhong Han
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.05706827963042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latest methods represent shapes with open surfaces using unsigned distance functions (UDFs). They train neural networks to learn UDFs and reconstruct surfaces with the gradients around the zero level set of the UDF. However, the differential networks struggle from learning the zero level set where the UDF is not differentiable, which leads to large errors on unsigned distances and gradients around the zero level set, resulting in highly fragmented and discontinuous surfaces. To resolve this problem, we propose to learn a more continuous zero level set in UDFs with level set projections. Our insight is to guide the learning of zero level set using the rest non-zero level sets via a projection procedure. Our idea is inspired from the observations that the non-zero level sets are much smoother and more continuous than the zero level set. We pull the non-zero level sets onto the zero level set with gradient constraints which align gradients over different level sets and correct unsigned distance errors on the zero level set, leading to a smoother and more continuous unsigned distance field. We conduct comprehensive experiments in surface reconstruction for point clouds, real scans or depth maps, and further explore the performance in unsupervised point cloud upsampling and unsupervised point normal estimation with the learned UDF, which demonstrate our non-trivial improvements over the state-of-the-art methods. Code is available at https://github.com/junshengzhou/LevelSetUDF .
• Abstract（参考訳）: 最新の手法は未符号距離関数 (UDF) を用いた開面形状を表す。 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。 しかし、差分ネットワークはUDFが微分不可能なゼロレベル集合の学習に苦慮し、符号のない距離とゼロレベル集合の勾配に大きな誤差を生じさせ、高度に断片化され不連続な曲面をもたらす。 この問題を解決するため,我々は,udfのより連続的なゼロレベル集合をレベル集合の射影で学ぶことを提案する。 我々の洞察は、プロジェクションプロシージャを通して残りのゼロレベル集合を用いてゼロレベル集合の学習を導くことである。 我々のアイデアは、ゼロでないレベル集合はゼロレベル集合よりもずっと滑らかで連続であるという観測から着想を得ている。 非ゼロレベル集合を、異なるレベル集合上の勾配を調整し、ゼロレベル集合上の無符号距離誤差を正し、より滑らかでより連続的な無符号距離場へと導く勾配制約付きゼロレベル集合に引き寄せる。 ポイントクラウド,実スキャン,奥行きマップの包括的再構成実験を行い,学習したudfを用いた教師なしポイントクラウドアップサンプリングおよび教師なしポイントノーマル推定の性能について検討し,最先端手法に対する非自明な改善を示す。 コードはhttps://github.com/junshengzhou/LevelSetUDFで入手できる。

関連論文リスト

• Monge-Ampere Regularization for Learning Arbitrary Shapes from Point Clouds [69.69726932986923]
  任意の曲面型をモデル化するための新しい暗黙曲面表現であるスケールド2乗距離関数 (S$2$DF) を提案する。 S$2$DFは、ゼロレベルセットでのUDFの非微分可能性問題に効果的に対処しながら、内部領域と外部領域を区別しない。 S$2$DF はモンゲ・アンペア型の二次偏微分方程式を満たすことを示した。
  論文  参考訳（メタデータ） (2024-10-24T06:56:34Z)
• 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)
• Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction [26.35134181204119]
  そこで本研究では,通常のアライメントとSIRENネットワークを統合した詳細UDF(DEUDF)学習を提案する。 計算結果から,DEUDFは既存のUDF学習法よりも精度と再現面の品質が優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-01T07:52:26Z)
• Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment [50.892158511845466]
  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。
  論文  参考訳（メタデータ） (2023-05-19T11:28:05Z)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)
• Semi-signed neural fitting for surface reconstruction from unoriented point clouds [53.379712818791894]
  より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。 SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。 我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
  論文  参考訳（メタデータ） (2022-06-14T09:40:17Z)

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。