論文の概要: SuperUDF: Self-supervised UDF Estimation for Surface Reconstruction
- arxiv url: http://arxiv.org/abs/2308.14371v2
- Date: Sun, 22 Oct 2023 14:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 07:41:31.397917
- Title: SuperUDF: Self-supervised UDF Estimation for Surface Reconstruction
- Title(参考訳): SuperUDF:表面再構成のための自己監督型UDF推定
- Authors: Hui Tian, Chenyang Zhu, Yifei Shi, Kai Xu
- Abstract要約: SuperUDFは表面再構成のための自己教師型学習システムである。
効率的なトレーニングのために学習された幾何学と、スパースサンプリングのためのロバスト性のための新しい正規化を利用する。
品質と効率の両面で、いくつかの公開データセットで芸術の状態を上回ります。
- 参考スコア(独自算出の注目度): 18.709806913026977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based surface reconstruction based on unsigned distance functions
(UDF) has many advantages such as handling open surfaces. We propose SuperUDF,
a self-supervised UDF learning which exploits a learned geometry prior for
efficient training and a novel regularization for robustness to sparse
sampling. The core idea of SuperUDF draws inspiration from the classical
surface approximation operator of locally optimal projection (LOP). The key
insight is that if the UDF is estimated correctly, the 3D points should be
locally projected onto the underlying surface following the gradient of the
UDF. Based on that, a number of inductive biases on UDF geometry and a
pre-learned geometry prior are devised to learn UDF estimation efficiently. A
novel regularization loss is proposed to make SuperUDF robust to sparse
sampling. Furthermore, we also contribute a learning-based mesh extraction from
the estimated UDFs. Extensive evaluations demonstrate that SuperUDF outperforms
the state of the arts on several public datasets in terms of both quality and
efficiency. Code url is https://github.com/THHHomas/SuperUDF.
- Abstract(参考訳): 非符号距離関数(UDF)に基づく学習に基づく表面再構成は、開面の扱いなど多くの利点がある。
効率的なトレーニングのために学習した幾何を利用した自己教師付きUDF学習のSuperUDFと,スパースサンプリングのためのロバストネスの新しい正規化を提案する。
SuperUDFのコアアイデアは、局所最適射影(LOP)の古典曲面近似演算子からインスピレーションを得ている。
重要な洞察は、UDFが正しく推定された場合、3DポイントはUDFの勾配に従って下面に局所的に投影されるべきであるということである。
これにより、udf幾何上の多くの帰納的バイアスと事前学習済み幾何が考案され、udf推定を効率的に学習する。
superudfをスパースサンプリングに頑健にする新しい正規化損失を提案する。
さらに,推定UDFからの学習に基づくメッシュ抽出にも貢献する。
大規模な評価では、SuperUDFは品質と効率の両面で、いくつかの公開データセットで芸術の状態を上回ります。
コード url は https://github.com/THHHomas/SuperUDF です。
関連論文リスト
- Statistical Edge Detection And UDF Learning For Shape Representation [1.9799527196428242]
得られたニューラルUDFの元の3次元表面への忠実度を向上させるUDFの学習法を提案する。
表面縁周辺でのトレーニング点のサンプリングにより,トレーニング済みのニューラルUDFの局所的精度が向上することを示す。
本手法は局所的な幾何学的記述子よりも表面のエッジを高精度に検出する。
論文 参考訳(メタデータ) (2024-05-06T11:40:57Z) - UDiFF: Generating Conditional Unsigned Distance Fields with Optimal Wavelet Diffusion [51.31220416754788]
UDiFFは非符号距離場(UDF)の3次元拡散モデルであり,テキスト条件や非条件条件から開面を有するテクスチャ化された3次元形状を生成することができる。
我々のキーとなるアイデアは、UDF生成のためのコンパクトな表現空間を生成する最適なウェーブレット変換を用いて、空間周波数領域でUDFを生成することである。
論文 参考訳(メタデータ) (2024-04-10T09:24:54Z) - Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。
また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
論文 参考訳(メタデータ) (2023-11-28T18:56:01Z) - NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
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。
論文 参考訳(メタデータ) (2023-04-20T04:14:42Z) - 2S-UDF: A Novel Two-stage UDF Learning Method for Robust Non-watertight Model Reconstruction from Multi-view Images [12.076881343401329]
多視点画像から高品質なUDFを学習するための新しい2段階アルゴリズム2S-UDFを提案する。
定量的な測定値と視覚的品質の両方において、この結果は他のUDF学習技術よりも優れた性能を示している。
論文 参考訳(メタデータ) (2023-03-27T16:35:28Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - 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) - Learning Consistency-Aware Unsigned Distance Functions Progressively
from Raw Point Clouds [52.28066811858009]
点雲の表面再構成は3次元コンピュータビジョンにおいて重要な課題である。
最新の手法のほとんどは、点雲から符号付き距離関数を学習することでこの問題を解決する。
そこで本研究では, 原点雲から直接, 整合性を考慮した符号付き距離関数を学習する手法を提案する。
論文 参考訳(メタデータ) (2022-10-06T08:51:08Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z)
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。