論文の概要: PG-NeuS: Robust and Efficient Point Guidance for Multi-View Neural Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2310.07997v2
• Date: Sat, 25 Nov 2023 08:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 14:02:28.498980
• Title: PG-NeuS: Robust and Efficient Point Guidance for Multi-View Neural Surface Reconstruction
• Title（参考訳）: PG-NeuS:多視点神経表面再構成のためのロバストで効率的なポイントガイダンス
• Authors: Chen Zhang, Wanjuan Su, Qingshan Xu, Wenbing Tao
• Abstract要約: 本稿では, PG-NeuS という新しいポイント誘導手法を提案する。 特に、点雲の不確実性はノイズの分布を捉えるためにモデル化され、ノイズのロバスト性に繋がる。 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は、暗黙の表面に幾何的制約を加えることで、正確な点誘導を実現する。
• 参考スコア（独自算出の注目度）: 31.768161784030923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, learning multi-view neural surface reconstruction with the supervision of point clouds or depth maps has been a promising way. However, due to the underutilization of prior information, current methods still struggle with the challenges of limited accuracy and excessive time complexity. In addition, prior data perturbation is also an important but rarely considered issue. To address these challenges, we propose a novel point-guided method named PG-NeuS, which achieves accurate and efficient reconstruction while robustly coping with point noise. Specifically, aleatoric uncertainty of the point cloud is modeled to capture the distribution of noise, leading to noise robustness. Furthermore, a Neural Projection module connecting points and images is proposed to add geometric constraints to implicit surface, achieving precise point guidance. To better compensate for geometric bias between volume rendering and point modeling, high-fidelity points are filtered into a Bias Network to further improve details representation. Benefiting from the effective point guidance, even with a lightweight network, the proposed PG-NeuS achieves fast convergence with an impressive 11x speedup compared to NeuS. Extensive experiments show that our method yields high-quality surfaces with high efficiency, especially for fine-grained details and smooth regions, outperforming the state-of-the-art methods. Moreover, it exhibits strong robustness to noisy data and sparse data.
• Abstract（参考訳）: 近年,点雲や深度マップの監督による多視点ニューラルサーフェス再構成の学習は有望な方法である。 しかし、事前情報の利用が不十分なため、現在の手法は精度の制限と過度な時間複雑性の課題に苦慮している。 さらに、事前のデータ摂動も重要ではあるが、稀に考慮される問題である。 そこで本研究では,点雑音に対してロバストに対処しながら高精度かつ効率的な再構成を実現する,pg-neusという新しい点案内手法を提案する。 特に、点雲の不確かさはノイズの分布を捉えるためにモデル化され、ノイズのロバスト性をもたらす。 さらに,暗黙の面に幾何学的制約を加え,正確な点誘導を実現するために,点と像をつなぐニューラルプロジェクションモジュールを提案する。 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、高忠実度点をバイアスネットワークにフィルタリングして詳細表現をさらに改善する。 提案したPG-NeuSは,高速収束を実現し,11倍の高速化を実現している。 特に細かな細部や滑らかな領域において,本手法は高効率で高品質な表面が得られることを示す。 さらに、ノイズデータとスパースデータに対して強いロバスト性を示す。

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。