論文の概要: DebSDF: Delving into the Details and Bias of Neural Indoor Scene
Reconstruction
- arxiv url: http://arxiv.org/abs/2308.15536v2
- Date: Sun, 3 Sep 2023 05:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 16:08:40.114292
- Title: DebSDF: Delving into the Details and Bias of Neural Indoor Scene
Reconstruction
- Title(参考訳): DebSDF:ニューラル・インハウス・シーン・コンストラクションの詳細と課題
- Authors: Yuting Xiao, Jingwei Xu, Zehao Yu, Shenghua Gao
- Abstract要約: 本稿では,単分子先行における不確実性の利用とSDFに基づくボリュームレンダリングにおけるバイアスに着目した。
本稿では,より大規模な不確実性とモノラルな先行誤差を関連付ける不確実性モデリング手法を提案する。
その後、バイアスを防ぐために、高い不確実性事前を最適化から除外する。
- 参考スコア(独自算出の注目度): 37.22719576081001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, the neural implicit surface has emerged as a powerful
representation for multi-view surface reconstruction due to its simplicity and
state-of-the-art performance. However, reconstructing smooth and detailed
surfaces in indoor scenes from multi-view images presents unique challenges.
Indoor scenes typically contain large texture-less regions, making the
photometric loss unreliable for optimizing the implicit surface. Previous work
utilizes monocular geometry priors to improve the reconstruction in indoor
scenes. However, monocular priors often contain substantial errors in thin
structure regions due to domain gaps and the inherent inconsistencies when
derived independently from different views. This paper presents \textbf{DebSDF}
to address these challenges, focusing on the utilization of uncertainty in
monocular priors and the bias in SDF-based volume rendering. We propose an
uncertainty modeling technique that associates larger uncertainties with larger
errors in the monocular priors. High-uncertainty priors are then excluded from
optimization to prevent bias. This uncertainty measure also informs an
importance-guided ray sampling and adaptive smoothness regularization,
enhancing the learning of fine structures. We further introduce a bias-aware
signed distance function to density transformation that takes into account the
curvature and the angle between the view direction and the SDF normals to
reconstruct fine details better. Our approach has been validated through
extensive experiments on several challenging datasets, demonstrating improved
qualitative and quantitative results in reconstructing thin structures in
indoor scenes, thereby outperforming previous work.
- Abstract(参考訳): 近年,そのシンプルさと最先端性能から,多面的表面再構成の強力な表現として,ニューラル暗黙表面が出現している。
しかし,マルチビュー画像から室内のスムーズで詳細な表面を再構築することは,ユニークな課題である。
室内のシーンは、通常、大きなテクスチャのない領域を含み、暗黙の表面を最適化するために測光損失を信頼できない。
それまでの作業は、屋内のシーンの再構築を改善するために、単眼の幾何学的手法を用いていた。
しかし、単分子前駆体は、ドメインギャップと異なる視点から独立して導かれるとき固有の矛盾により、細い構造領域に重大な誤りを含むことが多い。
本稿では,これらの課題に対処するために,単分子前駆体における不確実性の利用とSDFに基づくボリュームレンダリングのバイアスに着目した「textbf{DebSDF}」を提案する。
そこで本研究では,より大きな不確実性と単眼前兆の誤差を関連付ける不確実性モデリング手法を提案する。
そして、バイアスを防ぐために高い未確認の優先順位を最適化から除外する。
この不確実性尺度はまた、重要誘導光サンプリングと適応的滑らか性正規化を通知し、微細構造の学習を促進する。
さらに、ビュー方向とSDF正規度の間の曲率と角度を考慮した密度変換にバイアス対応符号距離関数を導入し、より詳細な情報を再構築する。
提案手法は,いくつかの挑戦的データセットに対する広範囲な実験により検証され,室内の薄層構造を再構築する際の質的,定量的な結果が得られた。
関連論文リスト
- NC-SDF: Enhancing Indoor Scene Reconstruction Using Neural SDFs with View-Dependent Normal Compensation [13.465401006826294]
我々は、ビュー依存正規補償(NC)を用いたニューラルサイン付き距離場(SDF)3次元再構成フレームワークNC-SDFを提案する。
適応的にバイアスを学習し、修正することにより、NC-SDFは、一貫性のない監督の悪影響を効果的に軽減する。
合成および実世界のデータセットの実験により、NC-SDFは復元品質において既存のアプローチよりも優れていることが示された。
論文 参考訳(メタデータ) (2024-05-01T06:26:35Z) - PSDF: Prior-Driven Neural Implicit Surface Learning for Multi-view
Reconstruction [31.768161784030923]
このフレームワークは、事前訓練されたMVSネットワークとNISRモデルに固有の内部幾何学的先駆体から外部幾何学的先駆体を利用する。
Tanks and Templesデータセットの実験は、PSDFが複雑な制御されていないシーンで最先端のパフォーマンスを達成することを示している。
論文 参考訳(メタデータ) (2024-01-23T13:30:43Z) - Improving Neural Indoor Surface Reconstruction with Mask-Guided Adaptive
Consistency Constraints [0.6749750044497732]
本稿では、ビュー依存色とビュー非依存色を分離する2段階のトレーニングプロセスを提案し、さらに2つの新しい一貫性制約を活用して、余分な事前処理を必要とせず、詳細な再構成性能を向上させる。
合成および実世界のデータセットの実験は、事前推定誤差から干渉を減らす能力を示している。
論文 参考訳(メタデータ) (2023-09-18T13:05:23Z) - Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid
Representation and Normal Prior Enhancement [53.10080345190996]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。
近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。
本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文 参考訳(メタデータ) (2023-09-14T12:05:29Z) - NeuRIS: Neural Reconstruction of Indoor Scenes Using Normal Priors [84.66706400428303]
室内シーンを高品質に再現する新手法NeuRISを提案する。
NeuRISは、ニューラルネットワークのフレームワークにおいて、室内シーンの推定正規性を前者として統合している。
実験により、NeuRISは再建品質の点で最先端の手法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2022-06-27T19:22:03Z) - Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。
RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
論文 参考訳(メタデータ) (2022-06-07T08:11:22Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳(メタデータ) (2022-06-01T17:58:15Z) - 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) - Light Field Spatial Super-resolution via Deep Combinatorial Geometry
Embedding and Structural Consistency Regularization [99.96632216070718]
ハンドヘルドデバイスが取得した光フィールド(LF)画像は通常、空間分解能の低下に悩まされる。
LF画像の高次元空間特性と複雑な幾何学構造は、従来の単一像SRよりも問題をより困難にしている。
本稿では,LF画像の各ビューを個別に超解答する新しい学習ベースLFフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-05T14:39:57Z)
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。