論文の概要: IPVNet: Learning Implicit Point-Voxel Features for Open-Surface 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2311.02552v1
• Date: Sun, 5 Nov 2023 03:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 17:06:02.161703
• Title: IPVNet: Learning Implicit Point-Voxel Features for Open-Surface 3D Reconstruction
• Title（参考訳）: IPVNet:オープンサーフェス3次元再構成のためのインシシシトポイント-ボクセル特徴の学習
• Authors: Mohammad Samiul Arshad, William J. Beksi
• Abstract要約: 符号のない距離場を回帰する暗黙の関数は、そのような開曲面を再構成する際の約束を示す。 学習に基づく暗黙的ポイントボクセルモデル(IPVNet)を提案する。 IPVNetは、原点クラウドデータとその離散化されたボクセルデータの両方を活用することにより、表面と3次元空間におけるクエリポイントの間の符号のない距離を予測する。
• 参考スコア（独自算出の注目度）: 7.183869812690026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstruction of 3D open surfaces (e.g., non-watertight meshes) is an underexplored area of computer vision. Recent learning-based implicit techniques have removed previous barriers by enabling reconstruction in arbitrary resolutions. Yet, such approaches often rely on distinguishing between the inside and outside of a surface in order to extract a zero level set when reconstructing the target. In the case of open surfaces, this distinction often leads to artifacts such as the artificial closing of surface gaps. However, real-world data may contain intricate details defined by salient surface gaps. Implicit functions that regress an unsigned distance field have shown promise in reconstructing such open surfaces. Nonetheless, current unsigned implicit methods rely on a discretized representation of the raw data. This not only bounds the learning process to the representation's resolution, but it also introduces outliers in the reconstruction. To enable accurate reconstruction of open surfaces without introducing outliers, we propose a learning-based implicit point-voxel model (IPVNet). IPVNet predicts the unsigned distance between a surface and a query point in 3D space by leveraging both raw point cloud data and its discretized voxel counterpart. Experiments on synthetic and real-world public datasets demonstrates that IPVNet outperforms the state of the art while producing far fewer outliers in the resulting reconstruction.
• Abstract（参考訳）: 3次元開放面(例えば、非水密メッシュ)の再構成はコンピュータビジョンの未発見領域である。 最近の学習に基づく暗黙的手法は、任意の解像度で再構築を可能にすることによって、以前の障壁を取り除いた。 しかし、そのようなアプローチは、目標を再構築する際にゼロレベル集合を抽出するために、しばしば表面の内部と外部の区別に依存する。 開表面の場合、この区別はしばしば、表面ギャップの人工閉鎖のような人工的な成果物につながる。 しかし、現実世界のデータには、表面の粗い隙間によって定義される複雑な詳細が含まれているかもしれない。 符号のない距離場を回帰する帰納関数は、そのような開曲面を再構成する際の約束を示す。 それでも、現在の符号なしの暗黙のメソッドは、生データの離散化された表現に依存している。 これは、学習プロセスを表現の解決に限定するだけでなく、再構築において異常値も導入する。 開放面の正確な復元を実現するために,学習に基づく暗黙的点ボクセルモデル(IPVNet)を提案する。 IPVNetは、原点クラウドデータとその離散化されたボクセルデータの両方を活用することにより、3次元空間における表面とクエリポイントの間の符号のない距離を予測する。 人工的および実世界の公開データセットの実験は、ITVNetが芸術の状態を上回り、その結果の再構築においてはるかに少ないアウトリーチを生み出すことを示した。

関連論文リスト

• NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
  NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-04-20T04:14:42Z)
• NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from Multi-view Images [17.637064969966847]
  NeATは、多視点画像から任意のトポロジを持つ暗黙の曲面を学習する、新しいニューラルネットワークレンダリングフレームワークである。 NeATは、古典的なマーチングキューブアルゴリズムを用いて、フィールドからメッシュへの変換を容易にする。 我々のアプローチは、水密面と非水密面の両方を忠実に再構築することができる。
  論文  参考訳（メタデータ） (2023-03-21T16:49:41Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
  そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。 我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。 本手法は,高精度な表面を細部で再構成し,その性能を向上する。
  論文  参考訳（メタデータ） (2022-11-21T10:06:09Z)
• Automated Reconstruction of 3D Open Surfaces from Sparse Point Clouds [5.107705550575662]
  現実世界の3Dデータには、表面の鮮やかな隙間によって定義される複雑な詳細が含まれているかもしれない。 現在の学習に基づく暗黙的手法は、閉面再構成において高い忠実性を達成することができる。 我々は3次元空間における表面とクエリポイントの間の符号のない距離を予測する学習ベース暗黙モデルIPVNetを提案する。
  論文  参考訳（メタデータ） (2022-10-26T22:02:45Z)
• RangeUDF: Semantic Surface Reconstruction from 3D Point Clouds [106.54285912111888]
  本研究では,新たな暗黙的表現に基づくフレームワークであるRangeUDFを紹介し,点雲から連続した3次元シーン表面の形状と意味を復元する。 RangeUDFは4点のクラウドデータセット上で表面再構成を行うための最先端のアプローチを明らかに上回っている。
  論文  参考訳（メタデータ） (2022-04-19T21:39:45Z)
• Deep Implicit Surface Point Prediction Networks [49.286550880464866]
  暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。 本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-10T14:31:54Z)
• Neural Unsigned Distance Fields for Implicit Function Learning [53.241423815726925]
  任意の3次元形状の符号なし距離場を予測するニューラルネットワークベースモデルであるニューラル距離場(NDF)を提案する。 NDFは、高解像度の表面を事前の暗黙のモデルとして表現するが、クローズドな表面データを必要としない。 NDFは、グラフィックスのレンダリングにのみ使用される技術を用いて、マルチターゲットレグレッション(1入力に複数の出力)に使用できる。
  論文  参考訳（メタデータ） (2020-10-26T22:49:45Z)
• 3D Dense Geometry-Guided Facial Expression Synthesis by Adversarial Learning [54.24887282693925]
  本稿では,3次元密度(深度,表面正規度)情報を表現操作に用いる新しいフレームワークを提案する。 既製の最先端3D再構成モデルを用いて深度を推定し,大規模RGB-Depthデータセットを作成する。 実験により,提案手法は競争ベースラインと既存の芸術を大きなマージンで上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-30T17:12:35Z)
• Convolutional Occupancy Networks [88.48287716452002]
  本稿では,オブジェクトと3Dシーンの詳細な再構築のための,より柔軟な暗黙的表現である畳み込み機能ネットワークを提案する。 畳み込みエンコーダと暗黙の占有デコーダを組み合わせることで、帰納的バイアスが組み込まれ、3次元空間における構造的推論が可能となる。 実験により,本手法は単一物体の微細な3次元再構成,大規模屋内シーンへのスケール,合成データから実データへの一般化を可能にした。
  論文  参考訳（メタデータ） (2020-03-10T10:17:07Z)

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。