論文の概要: Reg-NF: Efficient Registration of Implicit Surfaces within Neural Fields
- arxiv url: http://arxiv.org/abs/2402.09722v1
- Date: Thu, 15 Feb 2024 05:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 16:50:30.163272
- Title: Reg-NF: Efficient Registration of Implicit Surfaces within Neural Fields
- Title(参考訳): reg-nf: 神経野内における暗黙的表面の効率的な登録
- Authors: Stephen Hausler, David Hall, Sutharsan Mahendren and Peyman Moghadam
- Abstract要約: 本稿では2つの任意のニューラルネットワーク間の相対的な6-DoF変換を最適化するReg-NFについて述べる。
Reg-NFの主な構成要素は、双方向の登録損失、多視点表面サンプリング、および体積符号距離関数の利用である。
- 参考スコア(独自算出の注目度): 6.949522577812908
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural fields, coordinate-based neural networks, have recently gained
popularity for implicitly representing a scene. In contrast to classical
methods that are based on explicit representations such as point clouds, neural
fields provide a continuous scene representation able to represent 3D geometry
and appearance in a way which is compact and ideal for robotics applications.
However, limited prior methods have investigated registering multiple neural
fields by directly utilising these continuous implicit representations. In this
paper, we present Reg-NF, a neural fields-based registration that optimises for
the relative 6-DoF transformation between two arbitrary neural fields, even if
those two fields have different scale factors. Key components of Reg-NF include
a bidirectional registration loss, multi-view surface sampling, and utilisation
of volumetric signed distance functions (SDFs). We showcase our approach on a
new neural field dataset for evaluating registration problems. We provide an
exhaustive set of experiments and ablation studies to identify the performance
of our approach, while also discussing limitations to provide future direction
to the research community on open challenges in utilizing neural fields in
unconstrained environments.
- Abstract(参考訳): 座標ベースのニューラルネットワークであるニューラルネットワークは、最近、暗黙的にシーンを表現することで人気を集めている。
点雲のような明示的な表現に基づく古典的な方法とは対照的に、ニューラルネットワークは3次元幾何学と外観をコンパクトでロボット工学の応用に理想的な方法で表現できる連続的なシーン表現を提供する。
しかし、これらの連続的な暗黙的表現を直接利用して、複数のニューラルネットワークの登録を限定的に検討している。
本稿では,2つの任意のニューラルネットワーク間の相対的6-dof変換を最適化したreg-nf(reg-nf)について述べる。
Reg-NFの主な構成要素は、双方向の登録損失、多視点表面サンプリング、ボリューム符号距離関数(SDF)の利用である。
登録問題を評価するための新しいニューラルフィールドデータセットのアプローチについて紹介する。
実験とアブレーション実験を徹底的に実施し,本手法の性能を解明するとともに,未学習環境におけるニューラルネットワークの利用に関するオープンな課題について,研究コミュニティに今後の方向性を提供するための限界についても検討した。
関連論文リスト
- Deep Learning on Object-centric 3D Neural Fields [19.781070751341154]
単一推論パスにおいて入力NFに対してコンパクトな潜在表現を生成可能なフレームワークであるnf2vecを導入する。
nf2vecは入力されたNFで表される3Dオブジェクトを効果的に埋め込み、その結果の埋め込みがディープラーニングパイプラインにどのように使われるかを示す。
論文 参考訳(メタデータ) (2023-12-20T18:56:45Z) - Neural Processing of Tri-Plane Hybrid Neural Fields [20.78031512517053]
本稿では,3面離散データ構造が,標準的な深層学習機械で効果的に処理できるリッチな情報を符号化していることを示す。
同じ再構成品質のフィールドを処理しながら、大規模表現を処理するフレームワークよりもはるかに優れたタスク性能を実現する。
論文 参考訳(メタデータ) (2023-10-02T12:27:22Z) - Generalizable Neural Fields as Partially Observed Neural Processes [16.202109517569145]
本稿では,ニューラル表現の大規模トレーニングを部分的に観察されたニューラルプロセスフレームワークの一部として考える新しいパラダイムを提案する。
このアプローチは、最先端の勾配に基づくメタラーニングアプローチとハイパーネットワークアプローチの両方より優れていることを実証する。
論文 参考訳(メタデータ) (2023-09-13T01:22:16Z) - ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。
本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。
スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
論文 参考訳(メタデータ) (2023-09-06T16:59:36Z) - Neural Vector Fields: Generalizing Distance Vector Fields by Codebooks
and Zero-Curl Regularization [73.3605319281966]
メッシュと暗黙的符号なし距離関数(UDF)を演算する明示的な学習プロセスを採用した新しい3D表現であるNeural Vector Fields (NVF)を提案する。
両NVFを水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・非水密化・クロスドメイン化の4つのシナリオで評価した。
論文 参考訳(メタデータ) (2023-09-04T10:42:56Z) - nerf2nerf: Pairwise Registration of Neural Radiance Fields [38.13011152344739]
本稿では,古典的最適化に基づく局所的登録を拡張するニューラルネットワークのペア登録手法を提案する。
我々は、事前訓練されたNeRFモデルから蒸留した「地表場」の概念を紹介した。
トレーニング済みのNeRFシーンのデータセットを導入し,本手法の有効性を評価する。
論文 参考訳(メタデータ) (2022-11-03T06:04:59Z) - Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。
我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
論文 参考訳(メタデータ) (2022-10-14T19:31:39Z) - TT-NF: Tensor Train Neural Fields [88.49847274083365]
そこで本研究では,Train Neural Fields (TT-NF) と呼ばれる新しい低ランク表現を導入した。
ダウンストリームタスク品質指標に対する低ランク圧縮の影響を解析する。
論文 参考訳(メタデータ) (2022-09-30T15:17:39Z) - Neural Fields in Visual Computing and Beyond [54.950885364735804]
機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。
ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。
本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
論文 参考訳(メタデータ) (2021-11-22T18:57:51Z) - Bounding The Number of Linear Regions in Local Area for Neural Networks
with ReLU Activations [6.4817648240626005]
本稿では,与えられたReLUニューラルネットワークの入力空間内の任意の球面における線形領域数の上界を推定する最初の手法を提案する。
実験の結果、ニューラルネットワークをトレーニングしている間、線形領域の境界はトレーニングデータポイントから離れる傾向にあることがわかった。
論文 参考訳(メタデータ) (2020-07-14T04:06:00Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳(メタデータ) (2020-07-03T01:37:16Z)
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。