論文の概要: PR-NeuS: A Prior-based Residual Learning Paradigm for Fast Multi-view Neural Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2312.11577v1
• Date: Mon, 18 Dec 2023 09:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 18:21:49.478947
• Title: PR-NeuS: A Prior-based Residual Learning Paradigm for Fast Multi-view Neural Surface Reconstruction
• Title（参考訳）: PR-NeuS: 高速多視点ニューラルサーフェス再構成のための事前学習パラダイム
• Authors: Jianyao Xu, Qingshan Xu, Xinyao Liao, Wanjuan Su, Chen Zhang, Yew-Soon Ong, Wenbing Tao
• Abstract要約: 高速多視点ニューラルサーフェス再構成のための事前学習パラダイムを提案する。 本手法は,1つのシーンの表面を再構築するのに3分程度しかかからず,競争力のある表面品質を実現している。
• 参考スコア（独自算出の注目度）: 45.34454245176438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surfaces learning has shown impressive performance in multi-view surface reconstruction. However, most existing methods use large multilayer perceptrons (MLPs) to train their models from scratch, resulting in hours of training for a single scene. Recently, how to accelerate the neural surfaces learning has received a lot of attention and remains an open problem. In this work, we propose a prior-based residual learning paradigm for fast multi-view neural surface reconstruction. This paradigm consists of two optimization stages. In the first stage, we propose to leverage generalization models to generate a basis signed distance function (SDF) field. This initial field can be quickly obtained by fusing multiple local SDF fields produced by generalization models. This provides a coarse global geometry prior. Based on this prior, in the second stage, a fast residual learning strategy based on hash-encoding networks is proposed to encode an offset SDF field for the basis SDF field. Moreover, we introduce a prior-guided sampling scheme to help the residual learning stage converge better, and thus recover finer structures. With our designed paradigm, experimental results show that our method only takes about 3 minutes to reconstruct the surface of a single scene, while achieving competitive surface quality. Our code will be released upon publication.
• Abstract（参考訳）: ニューラルサーフェス学習は多視点表面再構成において顕著な性能を示した。 しかし、既存のほとんどの方法は、大きな多層パーセプトロン(MLP)を使用してモデルをスクラッチからトレーニングし、1つのシーンで何時間もトレーニングする。 近年、ニューラルサーフェス学習の加速には多くの注目を集めており、未解決の問題となっている。 本研究では,高速多視点ニューラルサーフェス再構成のための事前学習パラダイムを提案する。 このパラダイムは2つの最適化段階から構成される。 第一段階では,一般化モデルを用いて基本符号付き距離関数(SDF)場を生成することを提案する。 この初期場は、一般化モデルによって生成された複数の局所SDF場を融合させることで迅速に得ることができる。 これはそれ以前の粗い大域幾何学を与える。 このことから,第2段階では,基本sdfフィールドに対するオフセットsdfフィールドを符号化するために,ハッシュエンコーディングネットワークに基づく高速残差学習戦略が提案されている。 さらに,残差学習段階の収束を支援するための事前誘導サンプリング手法を導入し,より微細な構造を復元する。 設計したパラダイムを用いて,実験結果から,1つのシーンの表面を再構築するのに3分程度しかかからず,競争力のある表面品質を達成できないことがわかった。 私たちのコードは出版時に公開される。

関連論文リスト

• $R^2$-Mesh: Reinforcement Learning Powered Mesh Reconstruction via Geometry and Appearance Refinement [5.810659946867557]
  Neural Radiance Fields (NeRF)に基づくメッシュ再構成は、コンピュータグラフィックス、仮想現実、医療画像などの様々なアプリケーションで人気がある。 マルチビュー画像からメッシュを段階的に生成し,最適化する新しいアルゴリズムを提案する。 本手法は,メッシュレンダリングの品質と幾何学的品質の両方において,高い競争力とロバストな性能を提供する。
  論文  参考訳（メタデータ） (2024-08-19T16:33:17Z)
• Fine Structure-Aware Sampling: A New Sampling Training Scheme for Pixel-Aligned Implicit Models in Single-View Human Reconstruction [98.30014795224432]
  本研究では,単一視点の人物再構成のための暗黙的画素アライメントモデルをトレーニングするために,FSS(Final Structured-Aware Sampling)を導入する。 FSSは表面の厚さと複雑さに積極的に適応する。 また、画素アライメント型暗黙的モデルのためのメッシュ厚み損失信号を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:26:46Z)
• FastMESH: Fast Surface Reconstruction by Hexagonal Mesh-based Neural Rendering [8.264851594332677]
  我々は、光線とメッシュの交差点でのみサンプルをサンプリングするFastMESHという、効果的なメッシュベースのニューラルネットワークレンダリング手法を提案する。 提案手法は, 再建と新規なビュー合成の両面において, 最先端の成果を達成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-29T02:43:14Z)
• Fast Monocular Scene Reconstruction with Global-Sparse Local-Dense Grids [84.90863397388776]
  本稿では,スパルス・ボクセル・ブロック・グリッドにおける署名付き距離関数(SDF)を直接使用して,距離のない高速かつ正確なシーン再構成を実現することを提案する。 我々の世界規模で疎密で局所的なデータ構造は、表面の空間的空間性を利用して、キャッシュフレンドリーなクエリを可能にし、マルチモーダルデータへの直接拡張を可能にします。 実験により、我々のアプローチはトレーニングでは10倍、レンダリングでは100倍高速であり、最先端のニューラル暗黙法に匹敵する精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T16:50:19Z)
• 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)
• Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction [142.61256012419562]
  本稿では,ボクセルをベースとした表面再構成手法であるVoxurfを提案する。 ボクサーフは,(1)コヒーレントな粗い形状を達成し,細部を連続的に再現する2段階の訓練手順,2)色-幾何学的依存性を維持する2色ネットワーク,3)ボクセル間の情報伝達を促進する階層的幾何学的特徴などを通じて,上記の課題に対処する。
  論文  参考訳（メタデータ） (2022-08-26T14:48:02Z)
• Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
  本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。 RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
  論文  参考訳（メタデータ） (2022-06-07T08:11:22Z)
• MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
  最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。 これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。 近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
  論文  参考訳（メタデータ） (2022-06-01T17:58:15Z)
• Learning Signed Distance Field for Multi-view Surface Reconstruction [24.090786783370195]
  ステレオマッチングと特徴整合性の知識を生かした新しいニューラルネットワーク表面再構成フレームワークを提案する。 サインされた距離場(SDF)と表面光場(SDF)をそれぞれ、シーン形状と外観を表すために適用する。 本手法は,地形推定のロバスト性を向上し,複雑なシーントポロジの再構築を支援する。
  論文  参考訳（メタデータ） (2021-08-23T06:23:50Z)

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。