Fugu-MT 論文翻訳(概要): AiSDF: Structure-aware Neural Signed Distance Fields in Indoor Scenes

論文の概要: AiSDF: Structure-aware Neural Signed Distance Fields in Indoor Scenes

arxiv url: http://arxiv.org/abs/2403.01861v1
Date: Mon, 4 Mar 2024 09:18:13 GMT
ステータス: 処理完了
システム内更新日: 2024-03-06 19:28:40.837898
Title: AiSDF: Structure-aware Neural Signed Distance Fields in Indoor Scenes
Title（参考訳）: aisdf:室内シーンにおける構造認識ニューラルサイン付き距離場
Authors: Jaehoon Jang, Inha Lee, Minje Kim, Kyungdon Joo
Abstract要約: 本研究では,屋内シーンを対象とした構造化対応オンライン署名距離場 (SDF) 再構築フレームワークを提案する。アトランタ構造を推定し,アトランタ構造を支える平面的サーベイル領域を推定する。提案手法は, 暗黙的にオブジェクトの細部を再構築し, ルームスケールのシーンで明示的に構造を再構築できることを示す。
参考スコア（独自算出の注目度）: 20.939706866015662
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Indoor scenes we are living in are visually homogenous or textureless, while they inherently have structural forms and provide enough structural priors for 3D scene reconstruction. Motivated by this fact, we propose a structure-aware online signed distance fields (SDF) reconstruction framework in indoor scenes, especially under the Atlanta world (AW) assumption. Thus, we dub this incremental SDF reconstruction for AW as AiSDF. Within the online framework, we infer the underlying Atlanta structure of a given scene and then estimate planar surfel regions supporting the Atlanta structure. This Atlanta-aware surfel representation provides an explicit planar map for a given scene. In addition, based on these Atlanta planar surfel regions, we adaptively sample and constrain the structural regularity in the SDF reconstruction, which enables us to improve the reconstruction quality by maintaining a high-level structure while enhancing the details of a given scene. We evaluate the proposed AiSDF on the ScanNet and ReplicaCAD datasets, where we demonstrate that the proposed framework is capable of reconstructing fine details of objects implicitly, as well as structures explicitly in room-scale scenes.
Abstract（参考訳）: 私たちが住んでいる屋内シーンは、視覚的に均質またはテクスチャがなく、本質的に構造的な形状を持ち、3dシーンの再構築に十分な構造的優先を提供する。そこで本研究では,特にアトランタ・ワールド(AW)の仮定の下で,屋内シーンにおけるSDF(Standard distance Field)再構成フレームワークを提案する。そこで我々は,AiSDFとしてAWの段階的SDF再構成を行った。オンラインフレームワーク内では、所定のシーンのアトランタ構造を推測し、アトランタ構造をサポートする平面サーフィン領域を推定します。このアトランタを意識したサーフェル表現は、与えられたシーンに対して明示的な平面マップを提供する。さらに,アトランタの平面サーベイル領域をベースとして,SDF再建における構造規則性を適応的にサンプリングし,制約することにより,シーンの細部を拡大しながら高レベル構造を維持することで,復元品質を向上させることができる。提案したAiSDFをScanNetおよびReplicaCADデータセット上で評価し,提案フレームワークが暗黙的にオブジェクトの細部を再構築できることを示す。

関連論文リスト

Exploiting Semantic Scene Reconstruction for Estimating Building Envelope Characteristics [6.382787013075262]
2次元画像入力から幾何構造特性を推定する新しいフレームワークであるBuildNet3Dを提案する。本フレームワークは, 窓面間比と建物のフットプリントの推定において, 高い精度と一般化性を示すとともに, 様々な複雑な建築物構造について評価する。
論文参考訳（メタデータ） (2024-10-29T13:29:01Z)
Neural Surface Reconstruction and Rendering for LiDAR-Visual Systems [9.325214913221252]
本稿では,LiDAR-visualシステムのための統一的な表面再構成・レンダリングフレームワークを提案する。本研究では,NRF と NDF の間の構造的ギャップを可視的占有マップを用いて解決する。空間変化スケールのSDF-to-density変換を用いて,NDFとNeRFのトレーニングを統一する。
論文参考訳（メタデータ） (2024-09-09T03:42:12Z)
RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
論文参考訳（メタデータ） (2024-06-14T07:54:25Z)
NC-SDF: Enhancing Indoor Scene Reconstruction Using Neural SDFs with View-Dependent Normal Compensation [13.465401006826294]
我々は、ビュー依存正規補償(NC)を用いたニューラルサイン付き距離場(SDF)3次元再構成フレームワークNC-SDFを提案する。適応的にバイアスを学習し、修正することにより、NC-SDFは、一貫性のない監督の悪影響を効果的に軽減する。合成および実世界のデータセットの実験により、NC-SDFは復元品質において既存のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2024-05-01T06:26:35Z)
StructRe: Rewriting for Structured Shape Modeling [63.792684115318906]
本稿では,構造化形状モデリングの新しいアプローチとして,構造書換えシステムであるStructReを提案する。ポイントとコンポーネントで表される3Dオブジェクトが与えられたら、StructReはそれを上向きに、より簡潔な構造に書き直すか、より詳細な構造に書き直すことができる。
論文参考訳（メタデータ） (2023-11-29T10:35:00Z)
Lazy Visual Localization via Motion Averaging [89.8709956317671]
本研究では,データベースからシーンを再構築することなく,高精度なローカライゼーションを実現することができることを示す。実験の結果、我々の視覚的ローカライゼーションの提案であるLazyLocは、最先端の構造に基づく手法に対して同等のパフォーマンスを実現していることがわかった。
論文参考訳（メタデータ） (2023-07-19T13:40:45Z)
gSDF: Geometry-Driven Signed Distance Functions for 3D Hand-Object Reconstruction [94.46581592405066]
我々は手の構造を利用してSDFによる形状復元の指導を行う。我々は、ポーズ変換のキネマティック連鎖を予測し、SDFを高調波ハンドポーズと整列させる。
論文参考訳（メタデータ） (2023-04-24T10:05:48Z)
P$^2$SDF for Neural Indoor Scene Reconstruction [29.355255923026597]
そこで本研究では,屋内シーン再構築のためのPseudo Plane-regularized Signed Distance Field (P$2$SDF)を提案する。 P$2$SDFはマンハッタンのシーンで競争力のある再現性能を発揮することを示す実験である。
論文参考訳（メタデータ） (2023-03-01T05:07:48Z)
Learning Reconstructability for Drone Aerial Path Planning [51.736344549907265]
本研究では,無人ドローンを用いた大規模3次元都市景観獲得のためのビューとパスプランニングを改善するための,学習に基づく最初の再構成可能性予測器を提案する。従来の手法とは対照的に,本手法では,一組の視点から3次元都市景観をいかによく再構築するかを明示的に予測するモデルを学習する。
論文参考訳（メタデータ） (2022-09-21T08:10:26Z)
Gradient-SDF: A Semi-Implicit Surface Representation for 3D Reconstruction [53.315347543761426]
Gradient-SDFは、暗黙的表現と明示的表現の利点を組み合わせた3次元幾何学の新しい表現である。すべてのボクセルに符号付き距離場とその勾配ベクトル場を格納することにより、暗黙表現の能力を高める。本研究では,(1)グラディエント・SDFは,ハッシュマップなどの効率的な記憶方式を用いて,深度画像からの直接SDF追跡を行うことができ,(2)グラディエント・SDF表現はボクセル表現で直接光度バンドル調整を行うことができることを示す。
論文参考訳（メタデータ） (2021-11-26T18:33:14Z)
PanoDR: Spherical Panorama Diminished Reality for Indoor Scenes [0.0]
Diminished Reality (DR)は、シーン内の既存のオブジェクトを削除するために、そのようなアプリケーションの要件を満たす。屋内(再)計画アプリケーションにおける「現実」の保存には,シーンの構造保存が不可欠である。本研究では,まず屋内シーンの構造を予測するモデルを提案し,そのモデルを用いて,同じシーンの空の背景のみを再現する手法を提案する。
論文参考訳（メタデータ） (2021-06-01T12:56:53Z)

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。