論文の概要: Sur2f: A Hybrid Representation for High-Quality and Efficient Surface Reconstruction from Multi-view Images

• arxiv url: http://arxiv.org/abs/2401.03704v1
• Date: Mon, 8 Jan 2024 07:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 17:25:30.986506
• Title: Sur2f: A Hybrid Representation for High-Quality and Efficient Surface Reconstruction from Multi-view Images
• Title（参考訳）: sur2f:マルチビュー画像からの高品質かつ効率的な表面再構成のためのハイブリッド表現
• Authors: Zhangjin Huang, Zhihao Liang, Haojie Zhang, Yangkai Lin, Kui Jia
• Abstract要約: マルチビュー表面再構成は、3次元視覚研究において不適切な逆問題である。 既存の手法のほとんどは、暗黙のメッシュや暗黙のフィールド関数に依存しており、復元のためにフィールドのボリュームレンダリングを使用している。 相補的な方法で両表現の利点を向上することを目的としたハイブリッド表現(Sur2f)を提案する。
• 参考スコア（独自算出の注目度）: 41.81291587750352
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-view surface reconstruction is an ill-posed, inverse problem in 3D vision research. It involves modeling the geometry and appearance with appropriate surface representations. Most of the existing methods rely either on explicit meshes, using surface rendering of meshes for reconstruction, or on implicit field functions, using volume rendering of the fields for reconstruction. The two types of representations in fact have their respective merits. In this work, we propose a new hybrid representation, termed Sur2f, aiming to better benefit from both representations in a complementary manner. Technically, we learn two parallel streams of an implicit signed distance field and an explicit surrogate surface Sur2f mesh, and unify volume rendering of the implicit signed distance function (SDF) and surface rendering of the surrogate mesh with a shared, neural shader; the unified shading promotes their convergence to the same, underlying surface. We synchronize learning of the surrogate mesh by driving its deformation with functions induced from the implicit SDF. In addition, the synchronized surrogate mesh enables surface-guided volume sampling, which greatly improves the sampling efficiency per ray in volume rendering. We conduct thorough experiments showing that Sur$^2$f outperforms existing reconstruction methods and surface representations, including hybrid ones, in terms of both recovery quality and recovery efficiency.
• Abstract（参考訳）: 多視点表面再構成は3次元視覚研究において不適切な逆問題である。 幾何と外観を適切な表面表現でモデル化する。 既存の手法のほとんどは、明示的なメッシュ、再構成にメッシュの表面レンダリング、あるいは再構成にフィールドのボリュームレンダリングを使用する暗黙のフィールド関数のいずれかに依存している。 実際、2種類の表現にはそれぞれの利点がある。 本研究では,両表現を相補的に利用することを目的とした,新たなハイブリッド表現であるsur2fを提案する。 技術的には、暗黙の符号付き距離場と明示的な代理面Sur2fメッシュの2つの並列ストリームを学習し、暗黙の符号付き距離関数(SDF)のボリュームレンダリングとサーロゲートメッシュの表面レンダリングを共有のニューラルシェーダで統一し、統一シェーディングはそれらの収束を同じ基底面に促進する。 我々は,その変形を暗黙のsdfから誘導される関数と駆動することにより,サーロゲートメッシュの学習を同期させる。 さらに、同期サロゲートメッシュにより、表面誘導ボリュームサンプリングが可能となり、ボリュームレンダリングにおける1線当たりのサンプリング効率が大幅に向上する。 Sur^2$fは, 回収品質と回収効率の両面で, 既設の再建方法やハイブリッドを含む表面表現より優れることを示す徹底的な実験を行った。

関連論文リスト

• G2SDF: Surface Reconstruction from Explicit Gaussians with Implicit SDFs [84.07233691641193]
  G2SDFはニューラル暗黙の符号付き距離場をガウススプラッティングフレームワークに統合する新しいアプローチである。 G2SDFは, 3DGSの効率を維持しつつ, 従来よりも優れた品質を実現する。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
  本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。 我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
  論文  参考訳（メタデータ） (2023-09-19T05:44:00Z)
• C2F2NeUS: Cascade Cost Frustum Fusion for High Fidelity and Generalizable Neural Surface Reconstruction [12.621233209149953]
  本稿では,多視点ステレオとニューラルサイン付き距離関数表現を組み合わせた新しい統合手法を提案する。 本手法は,ロバストな表面を再構成し,既存の最先端の手法より優れる。
  論文  参考訳（メタデータ） (2023-06-16T17:56:16Z)
• 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)
• UNISURF: Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction [61.17219252031391]
  ニューラル暗黙的3D表現を用いた多視点画像から表面を再構築する新しい手法を提案する。 我々の重要な洞察は、暗黙の曲面モデルと放射場を統一的に定式化し、表面および体積のレンダリングを可能にすることである。 実験により, マスクを必要とせず, idrと同等の性能を保ちつつ, 再構成品質でnrfを上回った。
  論文  参考訳（メタデータ） (2021-04-20T15:59:38Z)
• Coupling Explicit and Implicit Surface Representations for Generative 3D Modeling [41.79675639550555]
  本稿では,2つの相補的な形状表現を利用する3次元曲面を表現するニューラルアーキテクチャを提案する。 これら2つの表現は、新しい一貫性損失を導入することで相乗効果を得る。 我々のハイブリッドアーキテクチャの出力結果は、2つの等価な単一表現ネットワークの出力よりも優れている。
  論文  参考訳（メタデータ） (2020-07-20T17:24:51Z)

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。