論文の概要: GoMVS: Geometrically Consistent Cost Aggregation for Multi-View Stereo

• arxiv url: http://arxiv.org/abs/2404.07992v1
• Date: Thu, 11 Apr 2024 17:59:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 12:49:46.925675
• Title: GoMVS: Geometrically Consistent Cost Aggregation for Multi-View Stereo
• Title（参考訳）: GoMVS:マルチビューステレオのための幾何学的一貫性のあるコスト集約
• Authors: Jiang Wu, Rui Li, Haofei Xu, Wenxun Zhao, Yu Zhu, Jinqiu Sun, Yanning Zhang,
• Abstract要約: 我々は,GoMVSを提案し,幾何学的に一貫したコストを集約し,隣接したジオメトリをよりよく活用する。 提案手法はDTU, Tanks & Temple, ETH3Dデータセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 45.5438546016874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matching cost aggregation plays a fundamental role in learning-based multi-view stereo networks. However, directly aggregating adjacent costs can lead to suboptimal results due to local geometric inconsistency. Related methods either seek selective aggregation or improve aggregated depth in the 2D space, both are unable to handle geometric inconsistency in the cost volume effectively. In this paper, we propose GoMVS to aggregate geometrically consistent costs, yielding better utilization of adjacent geometries. More specifically, we correspond and propagate adjacent costs to the reference pixel by leveraging the local geometric smoothness in conjunction with surface normals. We achieve this by the geometric consistent propagation (GCP) module. It computes the correspondence from the adjacent depth hypothesis space to the reference depth space using surface normals, then uses the correspondence to propagate adjacent costs to the reference geometry, followed by a convolution for aggregation. Our method achieves new state-of-the-art performance on DTU, Tanks & Temple, and ETH3D datasets. Notably, our method ranks 1st on the Tanks & Temple Advanced benchmark.
• Abstract（参考訳）: マッチングコストの集約は学習に基づく多視点ステレオネットワークにおいて基本的な役割を果たす。 しかし, 隣接コストを直接集計すると, 局所的な幾何学的不整合が原因で, 最適以下の結果が得られる。 関連する手法は、選択的な集約を求めるか、2次元空間における集約された深さを改善するかのいずれかであり、どちらもコストボリュームの幾何学的不整合を効果的に扱えない。 本稿では,GoMVSを用いて幾何学的一貫したコストを集約し,隣り合うジオメトリをよりよく活用することを提案する。 より具体的には、局所的な幾何学的滑らかさを表面正規と組み合わせることで、隣接したコストを基準画素に対応させ、伝播させる。 我々は、幾何一貫した伝搬(GCP)モジュールによってこれを達成した。 これは、隣接する深度仮説空間から基準深度空間への対応を曲面正規化を用いて計算し、その対応を利用して、隣り合うコストを基準幾何学に伝播させ、次に集約のための畳み込みを行う。 提案手法はDTU, Tanks & Temple, ETH3Dデータセット上での最先端性能を実現する。 特に,本手法は,タンク・アンド・テンプル・アドバンストベンチマークにおいて第1位である。

関連論文リスト

• 3D Geometric Shape Assembly via Efficient Point Cloud Matching [59.241448711254485]
  Proxy Match Transform (PMT) は、部品の配向面間の信頼性の高いマッチングを可能にする、高次特徴変換層である。 PMT を基盤として,幾何学的組立作業のための新しいフレームワーク Proxy Match TransformeR (PMTR) を導入する。 我々は,Breaking Badの大規模3次元幾何形状集合ベンチマークデータセットを用いてPMTRの評価を行った。
  論文  参考訳（メタデータ） (2024-07-15T08:50:02Z)
• Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
  本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。 提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。 本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
  論文  参考訳（メタデータ） (2024-02-08T17:57:59Z)
• Depth Completion using Geometry-Aware Embedding [22.333381291860498]
  本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。 局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
  論文  参考訳（メタデータ） (2022-03-21T12:06:27Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
  1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
  論文  参考訳（メタデータ） (2020-07-21T14:59:59Z)
• DualConvMesh-Net: Joint Geodesic and Euclidean Convolutions on 3D Meshes [28.571946680616765]
  本稿では3次元幾何データよりも深い階層的畳み込みネットワークのファミリーを提案する。 最初の型である測地的畳み込みは、メッシュ表面またはグラフ上のカーネルウェイトを定義する。 第2のタイプであるユークリッドの畳み込みは、基盤となるメッシュ構造とは独立である。
  論文  参考訳（メタデータ） (2020-04-02T13:52:00Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。