論文の概要: Rethinking Inductive Biases for Surface Normal Estimation

• arxiv url: http://arxiv.org/abs/2403.00712v1
• Date: Fri, 1 Mar 2024 17:54:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 16:34:23.315264
• Title: Rethinking Inductive Biases for Surface Normal Estimation
• Title（参考訳）: 表面正規化のための誘導バイアスの再考
• Authors: Gwangbin Bae and Andrew J. Davison
• Abstract要約: 本稿では,画素当たりの光線方向を利用して,その相対回転を学習し,隣接する表面の正常値の関係を符号化する。 提案手法は,任意の解像度とアスペクト比の画素内画像に挑戦する際の,クリップかつスムーズな予測を生成できる。
• 参考スコア（独自算出の注目度）: 26.88363383818789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the growing demand for accurate surface normal estimation models, existing methods use general-purpose dense prediction models, adopting the same inductive biases as other tasks. In this paper, we discuss the inductive biases needed for surface normal estimation and propose to (1) utilize the per-pixel ray direction and (2) encode the relationship between neighboring surface normals by learning their relative rotation. The proposed method can generate crisp - yet, piecewise smooth - predictions for challenging in-the-wild images of arbitrary resolution and aspect ratio. Compared to a recent ViT-based state-of-the-art model, our method shows a stronger generalization ability, despite being trained on an orders of magnitude smaller dataset. The code is available at https://github.com/baegwangbin/DSINE.
• Abstract（参考訳）: 正確な表面正規推定モデルに対する需要が高まっているにもかかわらず、既存の手法では汎用的な密度予測モデルを使用し、他のタスクと同じ帰納バイアスを採用する。 本稿では,表面正規化に必要なインダクティブバイアスについて検討し,(1)画素毎の光線方向の利用,(2)相対回転を学習して近傍の面正規化の関係をエンコードすることを提案する。 提案手法は,任意の解像度とアスペクト比の画素内画像に挑戦する際の,クリップかつスムーズな予測を生成できる。 最近のViTベースの最先端モデルと比較して、我々の手法は桁違いに小さなデータセットで訓練されているにもかかわらず、より強力な一般化能力を示す。 コードはhttps://github.com/baegwangbin/dsineで入手できる。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• VCR-GauS: View Consistent Depth-Normal Regularizer for Gaussian Surface Reconstruction [47.603017811399624]
  そこで本研究では,通常のパラメータと他のパラメータを直接結合するDepth-Normal正規化器を提案する。 また,より正確な表面モデリングのために,3次元ガウス多様体のサイズと分布を規則化するための密度化と分割戦略を導入する。
  論文  参考訳（メタデータ） (2024-06-09T13:15:43Z)
• NeuralGF: Unsupervised Point Normal Estimation by Learning Neural Gradient Function [55.86697795177619]
  3次元点雲の正規推定は3次元幾何処理の基本的な課題である。 我々は,ニューラルネットワークが入力点雲に適合することを奨励する,ニューラルグラデーション関数の学習のための新しいパラダイムを導入する。 広範に使用されているベンチマークの優れた結果から,本手法は非指向性および指向性正常推定タスクにおいて,より正確な正規性を学習できることが示されている。
  論文  参考訳（メタデータ） (2023-11-01T09:25:29Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• Rethinking the Approximation Error in 3D Surface Fitting for Point Cloud Normal Estimation [39.79759035338819]
  推定値と精密表面標準値のギャップを埋めるための基本設計原則を2つ提示する。 この2つの原理をディープニューラルネットワークを用いて実装し、プラグアンドプレイ方式で最先端のSOTA(State-of-the-art)正規推定手法と統合する。
  論文  参考訳（メタデータ） (2023-03-30T05:59:43Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)
• An Empirical Comparison of GANs and Normalizing Flows for Density Estimation [5.837881923712393]
  GAN(Generative Adversarial Network)と正規化フローは、ディープニューラルネットワークを用いた密度推定へのアプローチである。 GANと正規化フローは、画像以外のデータをモデリングするために比較されることはめったにない。 GANは私たちの単純な低次元データをうまくモデル化することができず、汎用統計モデリングに適したアプローチの前提条件として私たちが考えるタスクである。
  論文  参考訳（メタデータ） (2020-06-17T21:56:58Z)

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。