論文の概要: ActiveNeuS: Active 3D Reconstruction using Neural Implicit Surface Uncertainty
- arxiv url: http://arxiv.org/abs/2405.02568v1
- Date: Sat, 4 May 2024 05:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 19:30:33.321883
- Title: ActiveNeuS: Active 3D Reconstruction using Neural Implicit Surface Uncertainty
- Title(参考訳): ActiveNeuS:ニューラルインプリシトサーフェス不確かさを用いたアクティブ3次元再構成
- Authors: Hyunseo Kim, Hyeonseo Yang, Taekyung Kim, YoonSung Kim, Jin-Hwa Kim, Byoung-Tak Zhang,
- Abstract要約: 両不確実性を考慮した候補視点の評価を行うActiveNeuSを提案する。
ActiveNeuSは、ニューラルな暗黙の表面の不確かさを計算し、表面情報とともに色の不確かさを提供する。
提案手法は,一般的なデータセットであるBlender と DTU よりも優れており,ActiveNeuS が選択したビューが性能を著しく向上させることを示す。
- 参考スコア(独自算出の注目度): 23.093719789094557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Active learning in 3D scene reconstruction has been widely studied, as selecting informative training views is critical for the reconstruction. Recently, Neural Radiance Fields (NeRF) variants have shown performance increases in active 3D reconstruction using image rendering or geometric uncertainty. However, the simultaneous consideration of both uncertainties in selecting informative views remains unexplored, while utilizing different types of uncertainty can reduce the bias that arises in the early training stage with sparse inputs. In this paper, we propose ActiveNeuS, which evaluates candidate views considering both uncertainties. ActiveNeuS provides a way to accumulate image rendering uncertainty while avoiding the bias that the estimated densities can introduce. ActiveNeuS computes the neural implicit surface uncertainty, providing the color uncertainty along with the surface information. It efficiently handles the bias by using the surface information and a grid, enabling the fast selection of diverse viewpoints. Our method outperforms previous works on popular datasets, Blender and DTU, showing that the views selected by ActiveNeuS significantly improve performance.
- Abstract(参考訳): 3次元シーン再構築におけるアクティブラーニングは、情報的学習視点の選択が再建に不可欠であるため、広く研究されている。
近年、NeRF(Neural Radiance Fields)変異体は、画像レンダリングや幾何不確実性を用いたアクティブな3次元再構成の性能向上を示している。
しかし、情報的視点の選択における両不確かさの同時考慮は未解明のままであり、異なるタイプの不確実性を利用すると、スパース入力による初期訓練段階で生じるバイアスを低減できる。
本稿では,両不確実性を考慮した候補視点の評価を行うActiveNeuSを提案する。
ActiveNeuSは、推定された密度がもたらすバイアスを避けながら、画像のレンダリングの不確実性を蓄積する方法を提供する。
ActiveNeuSは、ニューラルな暗黙の表面の不確かさを計算し、表面情報とともに色の不確かさを提供する。
表面情報と格子を用いてバイアスを効率的に処理し、多様な視点の迅速な選択を可能にする。
提案手法は,一般的なデータセットであるBlender と DTU よりも優れており,ActiveNeuS が選択したビューが性能を著しく向上させることを示す。
関連論文リスト
- Frequency-based View Selection in Gaussian Splatting Reconstruction [9.603843571051744]
入力画像の少ない3次元ガウススプラッティング再構成を行うためのアクティブビュー選択の問題について検討する。
周波数領域の潜在的なビューをランク付けすることで、新しい視点の潜在的な情報ゲインを効果的に推定することができる。
提案手法は,画像による3次元再構成を効果的に行う可能性を示し,ビュー選択の最先端性を実現する。
論文 参考訳(メタデータ) (2024-09-24T21:44:26Z) - IPVNet: Learning Implicit Point-Voxel Features for Open-Surface 3D
Reconstruction [7.183869812690026]
符号のない距離場を回帰する暗黙の関数は、そのような開曲面を再構成する際の約束を示す。
学習に基づく暗黙的ポイントボクセルモデル(IPVNet)を提案する。
IPVNetは、原点クラウドデータとその離散化されたボクセルデータの両方を活用することにより、表面と3次元空間におけるクエリポイントの間の符号のない距離を予測する。
論文 参考訳(メタデータ) (2023-11-05T03:01:36Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳(メタデータ) (2023-09-18T12:36:39Z) - NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from
Multi-view Images [17.637064969966847]
NeATは、多視点画像から任意のトポロジを持つ暗黙の曲面を学習する、新しいニューラルネットワークレンダリングフレームワークである。
NeATは、古典的なマーチングキューブアルゴリズムを用いて、フィールドからメッシュへの変換を容易にする。
我々のアプローチは、水密面と非水密面の両方を忠実に再構築することができる。
論文 参考訳(メタデータ) (2023-03-21T16:49:41Z) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳(メタデータ) (2022-09-17T21:28:57Z) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳(メタデータ) (2022-07-22T10:05:36Z) - Next-best-view Regression using a 3D Convolutional Neural Network [0.9449650062296823]
本論文では,次のベストビュー問題に対するデータ駆動アプローチを提案する。
提案手法は、次のベストビューのbtxtpositionを抑えるために、以前の再構成で3D畳み込みニューラルネットワークを訓練する。
提案手法を2つの実験グループを用いて検証した。
論文 参考訳(メタデータ) (2021-01-23T01:50:26Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。
ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。
提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文 参考訳(メタデータ) (2020-08-18T06:33:40Z)
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。