論文の概要: 3D Density-Gradient based Edge Detection on Neural Radiance Fields
(NeRFs) for Geometric Reconstruction
- arxiv url: http://arxiv.org/abs/2309.14800v1
- Date: Tue, 26 Sep 2023 09:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 14:14:13.203422
- Title: 3D Density-Gradient based Edge Detection on Neural Radiance Fields
(NeRFs) for Geometric Reconstruction
- Title（参考訳）: 画像再構成のための3次元密度勾配に基づくニューラルレイディアンスフィールド(NeRF)のエッジ検出
- Authors: Miriam J\"ager, Boris Jutzi
- Abstract要約: 密度勾配とエッジ検出フィルタを用いてニューラルレイディアンス場(NeRF)から幾何学的3次元再構成を生成する方法を示す。
提案手法は, 物体表面の幾何的精度が高く, 被写体完全性に優れる幾何学的3次元再構成を実現する能力を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating geometric 3D reconstructions from Neural Radiance Fields (NeRFs)
is of great interest. However, accurate and complete reconstructions based on
the density values are challenging. The network output depends on input data,
NeRF network configuration and hyperparameter. As a result, the direct usage of
density values, e.g. via filtering with global density thresholds, usually
requires empirical investigations. Under the assumption that the density
increases from non-object to object area, the utilization of density gradients
from relative values is evident. As the density represents a position-dependent
parameter it can be handled anisotropically, therefore processing of the
voxelized 3D density field is justified. In this regard, we address geometric
3D reconstructions based on density gradients, whereas the gradients result
from 3D edge detection filters of the first and second derivatives, namely
Sobel, Canny and Laplacian of Gaussian. The gradients rely on relative
neighboring density values in all directions, thus are independent from
absolute magnitudes. Consequently, gradient filters are able to extract edges
along a wide density range, almost independent from assumptions and empirical
investigations. Our approach demonstrates the capability to achieve geometric
3D reconstructions with high geometric accuracy on object surfaces and
remarkable object completeness. Notably, Canny filter effectively eliminates
gaps, delivers a uniform point density, and strikes a favorable balance between
correctness and completeness across the scenes.
- Abstract（参考訳）: ニューラルレイディアンス場(NeRF)から幾何学的3次元再構成を生成することは大きな関心事である。
しかし,密度値に基づく高精度かつ完全な復元は困難である。
ネットワーク出力は入力データ、NeRFネットワーク構成、ハイパーパラメータに依存する。
その結果、例えば、グローバルな密度閾値を持つフィルターを通しての密度値の直接使用は通常、経験的な調査を必要とする。
非対象領域から対象領域へ密度が増加するという仮定のもと、相対値からの密度勾配の利用が明らかである。
密度は位置依存パラメータを表すため、異方性に扱うことができるため、ボクセル化3次元密度場の処理が正当化される。
本研究では密度勾配に基づく幾何学的3次元再構成に対処する一方、勾配は第1および第2微分の3次元エッジ検出フィルタ、すなわちガウスのソベル、カニー、ラプラシアンによる。
勾配は全ての方向の相対隣接密度値に依存するため、絶対等級とは独立である。
その結果、勾配フィルタは広い密度範囲のエッジを抽出することができ、仮定や経験的研究からほぼ独立している。
本手法は,物体表面の幾何学的精度と目覚ましい物体完全性を有する幾何学的3次元再構成を実現する能力を示す。
特に、Cannyフィルタはギャップを効果的に排除し、均一な点密度を提供し、シーン全体の正確性と完全性の間に好適なバランスを取る。
関連論文リスト
- Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - D2NT: A High-Performing Depth-to-Normal Translator [14.936434857460622]
本稿では,3次元座標を計算せずに深度画像を表面正規写像に変換する超高速深度-正規変換器(D2NT)を提案する。
次に、不連続認識勾配フィルタ(DAG)と、任意の深さから正規SNEに容易に統合できる表面正規化モジュールを提案する。
提案アルゴリズムは,既存の実時間SNEの中で最高の精度を示し,効率と精度のSoTAトレードオフを実現する。
論文 参考訳（メタデータ） (2023-04-24T12:08:03Z) - Evaluate Geometry of Radiance Fields with Low-frequency Color Prior [27.741607821885673]
放射場は、3Dシーンの効果的な表現であり、新規なビュー合成と3D再構成に広く採用されている。
基底真実がほとんど得られないため、幾何、すなわち密度場を評価することは依然としてオープンで難しい問題である。
Inverse Mean Residual Color (IMRC, Inverse Mean Residual Color) と呼ばれる新しい測度を提案し, 観測画像のみを用いて幾何学的特徴を評価する。
論文 参考訳（メタデータ） (2023-04-10T02:02:57Z) - SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth
Sampling [75.957103837167]
1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。
既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
論文 参考訳（メタデータ） (2022-08-14T16:37:51Z) - Neural Density-Distance Fields [9.742650275132029]
本稿では,距離と密度場を相互に拘束する新しい3次元表現であるニューラル密度距離場(NeDDF)を提案する。
距離場の定式化は、毛皮や煙のような明示的な境界面を持たない形状に拡張し、距離場から密度場への明示的な変換を可能にする。
実験により、NeDDFは、新規なビュー合成において、NeRFに匹敵する結果を提供しながら、高いローカライゼーション性能が得られることが示された。
論文 参考訳（メタデータ） (2022-07-29T03:13:25Z) - Point Density-Aware Voxels for LiDAR 3D Object Detection [8.136649838488042]
Point Density-Aware Voxel Network (PDV) は、2段階のLiDAR 3Dオブジェクト検出アーキテクチャである。
PDVは、3Dスパースバックボーンからボクセル点セントロイドを介して効率的にボクセル特徴を局在させる。
PDVはOpenデータセットのすべての最先端メソッドより優れています。
論文 参考訳（メタデータ） (2022-03-10T22:11:06Z) - Volume Rendering of Neural Implicit Surfaces [57.802056954935495]
本稿では,ニューラルボリュームレンダリングにおける幾何学的表現と再構成を改善することを目的とする。
体積密度を幾何学の関数としてモデル化することで実現する。
この新たな密度表現を挑戦的なシーンマルチビューデータセットに適用することで、高品質な幾何学的再構成を実現した。
論文 参考訳（メタデータ） (2021-06-22T20:23:16Z) - DeepMesh: Differentiable Iso-Surface Extraction [53.77622255726208]
本稿では,Deep Implicit Fieldsから表面メッシュを明示的に表現する方法を提案する。
我々の重要な洞察は、暗黙の場摂動が局所的な表面形状にどのように影響するかを推論することによって、最終的に表面サンプルの3次元位置を区別できるということである。
私たちはこれを利用して、そのトポロジを変えることができるDeepMesh – エンドツーエンドの差別化可能なメッシュ表現を定義する。
論文 参考訳（メタデータ） (2021-06-20T20:12:41Z) - GeoNet++: Iterative Geometric Neural Network with Edge-Aware Refinement
for Joint Depth and Surface Normal Estimation [204.13451624763735]
本研究では,エッジアウェア・リファインメント(GeoNet++)を用いた幾何ニューラルネットワークを提案し,単一の画像から深さと表面正規写像の両方を共同で予測する。
geonet++は、強い3d一貫性と鋭い境界を持つ深さと表面の正常を効果的に予測する。
画素単位の誤差/精度を評価することに焦点を当てた現在の測定値とは対照的に、3DGMは予測深度が高品質な3D表面の正常を再構築できるかどうかを測定する。
論文 参考訳（メタデータ） (2020-12-13T06:48:01Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
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。