論文の概要: Point-NeuS: Point-Guided Neural Implicit Surface Reconstruction by Volume Rendering

• arxiv url: http://arxiv.org/abs/2310.07997v1
• Date: Thu, 12 Oct 2023 02:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 13:12:31.324520
• Title: Point-NeuS: Point-Guided Neural Implicit Surface Reconstruction by Volume Rendering
• Title（参考訳）: 点-NeuS:ボリュームレンダリングによる点ガイド型ニューラルインシシト表面再構成
• Authors: Chen Zhang, Wanjuan Su, Wenbing Tao
• Abstract要約: そこで我々は,ポイント誘導機構を利用して高精度かつ効率的な再構成を実現するポイントネウSという新しい手法を提案する。 ポイントモデリングは、暗黙の面の表現を強化するために、ボリュームレンダリングに有機的に組み込まれている。 特に細粒度や滑らかな領域では, 高品質な表面が得られる。
• 参考スコア（独自算出の注目度）: 31.74478705453308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, learning neural implicit surface by volume rendering has been a promising way for multi-view reconstruction. However, limited accuracy and excessive time complexity remain bottlenecks that current methods urgently need to overcome. To address these challenges, we propose a new method called Point-NeuS, utilizing point-guided mechanisms to achieve accurate and efficient reconstruction. Point modeling is organically embedded into the volume rendering to enhance and regularize the representation of implicit surface. Specifically, to achieve precise point guidance and noise robustness, aleatoric uncertainty of the point cloud is modeled to capture the distribution of noise and estimate the reliability of points. Additionally, a Neural Projection module connecting points and images is introduced to add geometric constraints to the Signed Distance Function (SDF). To better compensate for geometric bias between volume rendering and point modeling, high-fidelity points are filtered into an Implicit Displacement Network to improve the representation of SDF. Benefiting from our effective point guidance, lightweight networks are employed to achieve an impressive 11x speedup compared to NeuS. Extensive experiments show that our method yields high-quality surfaces, especially for fine-grained details and smooth regions. Moreover, it exhibits strong robustness to both noisy and sparse data.
• Abstract（参考訳）: 近年,ボリュームレンダリングによる暗黙的表面学習は,多視点再構成に有望な手法となっている。 しかし、制限された精度と過度の時間的複雑さは、現在のメソッドが緊急に克服しなければならないボトルネックのままである。 これらの課題に対処するために,ポイント誘導機構を用いて高精度かつ効率的な再構成を実現するPoint-NeuSという新しい手法を提案する。 点モデリングはボリュームレンダリングに有機的に組み込まれ、暗黙的な表面の表現を強化し、規則化する。 特に、正確な点誘導と雑音のロバスト性を達成するために、点雲の不確かさをモデル化してノイズの分布を捉え、点の信頼性を推定する。 さらに、点と画像を接続するニューラルプロジェクションモジュールを導入し、符号距離関数(SDF)に幾何学的制約を加える。 ボリュームレンダリングとポイントモデリングの幾何学的バイアスを補正するために、高忠実度点をインプリシット変位ネットワークにフィルタリングし、SDFの表現を改善する。 有効なポイントガイダンスから得られる軽量ネットワークは、NeuSに比べて11倍のスピードアップを達成するために利用される。 実験の結果,特に細粒度や滑らかな領域で高品質な表面が得られることがわかった。 さらに、ノイズとスパースデータの両方に強い堅牢性を示す。

関連論文リスト

• PLATYPUS: Progressive Local Surface Estimator for Arbitrary-Scale Point Cloud Upsampling [7.967279361937874]
  3Dポイントクラウドは、自動運転やロボティクスといったアプリケーションにとってますます重要になっている。 点雲のアップサンプリングは密度と均一性を改善するために不可欠である。 複雑な領域の局所的特徴をより効果的に捉えたプログレッシブ局所表面推定器(PLSE)を導入する。
  論文  参考訳（メタデータ） (2024-11-01T07:56:56Z)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [106.0057551634008]
  FreeNeRFは暗黙の幾何正規化を統合することでこの制限を克服しようとする。 新しい研究は、新しい特徴マッチングに基づくスパース幾何正規化モジュールを導入する。 モジュールは、高周波キーポイントをピンポイントすることで、詳細の完全性を保護する。
  論文  参考訳（メタデータ） (2024-04-01T08:37:57Z)
• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• 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)
• Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations [21.64457003420851]
  我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。 本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-11T15:51:04Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
  本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。 ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。 特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
  論文  参考訳（メタデータ） (2020-07-06T08:11:28Z)
• 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。

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。