Fugu-MT 論文翻訳(概要): Neural Stochastic Screened Poisson Reconstruction

論文の概要: Neural Stochastic Screened Poisson Reconstruction

arxiv url: http://arxiv.org/abs/2309.11993v1
Date: Thu, 21 Sep 2023 12:04:15 GMT
ステータス: 処理完了
システム内更新日: 2023-09-22 15:39:27.140090
Title: Neural Stochastic Screened Poisson Reconstruction
Title（参考訳）: 神経確率的スクリーニングポアソン再構成
Authors: Silvia Sell\'an and Alec Jacobson
Abstract要約: 我々は、Poissonのスムーズさの下で、ニューラルネットワークを用いて、この再構成の不確実性を研究し、定量化する。本アルゴリズムは既存の作業の限界に対処し、3Dスキャンパイプラインに完全に組み込むことができる。
参考スコア（独自算出の注目度）: 34.83373148204125
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Reconstructing a surface from a point cloud is an underdetermined problem. We use a neural network to study and quantify this reconstruction uncertainty under a Poisson smoothness prior. Our algorithm addresses the main limitations of existing work and can be fully integrated into the 3D scanning pipeline, from obtaining an initial reconstruction to deciding on the next best sensor position and updating the reconstruction upon capturing more data.
Abstract（参考訳）: 点雲から表面を再構築することは、未定の問題である。我々は、Poissonのスムーズさの下で、ニューラルネットワークを用いて、この再構成の不確実性を研究し、定量化する。提案アルゴリズムは既存の作業の限界に対処し,初期再構築から次の最適なセンサ位置決定までの3Dスキャンパイプラインに完全に統合し,より多くのデータを取得することで再構築を更新する。

関連論文リスト

Deep Neural Network-assisted improvement of quantum compressed sensing tomography [0.0]
圧縮センシングによる初期再構成を改善するために,ディープニューラルネットワークを用いた後処理を提案する。その考え方は、推定状態がネットワークのノイズの多い入力として扱われ、深い教師付き認知タスクを実行することである。数値実験により,デノナイズ法により得られた改善を実演し,推論スキームのループ化の可能性を利用する。
論文参考訳（メタデータ） (2024-05-16T12:41:25Z)
GradientSurf: Gradient-Domain Neural Surface Reconstruction from RGB Video [0.0]
GradientSurfはモノクロRGBビデオからのリアルタイム表面再構成のための新しいアルゴリズムである。ポアソン表面再構成にインスパイアされた提案手法は, 表面, 体積, 配向点雲の密結合に基づく。屋内の景観復元の課題として, 提案手法は曲面を曲面で再現し, より詳細に再現できることを示した。
論文参考訳（メタデータ） (2023-10-09T04:54:30Z)
Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文参考訳（メタデータ） (2023-08-03T13:56:07Z)
OReX: Object Reconstruction from Planar Cross-sections Using Neural Fields [10.862993171454685]
OReXはスライス単独で3次元形状を復元する手法であり、前者がニューラルネットワーク勾配である。適度なニューラルネットワークは入力平面上でトレーニングされ、与えられた3D座標の内外推定を返却し、滑らかさと自己相似性を誘導する強力な先行を与える。我々は、粗大な訓練を奨励する反復的な推定アーキテクチャと階層的な入力サンプリングスキームを提供し、訓練プロセスは後段の高周波に集中できるようにする。
論文参考訳（メタデータ） (2022-11-23T11:44:35Z)
NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文参考訳（メタデータ） (2022-07-22T10:05:36Z)
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)
Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T07:53:28Z)
Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文参考訳（メタデータ） (2021-04-16T15:16:09Z)
Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-22T02:07:29Z)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)

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。