論文の概要: Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2406.00346v1
• Date: Sat, 1 Jun 2024 07:52:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 07:34:33.645800
• Title: Details Enhancement in Unsigned Distance Field Learning for High-fidelity 3D Surface Reconstruction
• Title（参考訳）: 高忠実度3次元表面再構成のための符号なし距離場学習の詳細化
• Authors: Cheng Xu, Fei Hou, Wencheng Wang, Hong Qin, Zhebin Zhang, Ying He,
• Abstract要約: そこで本研究では,通常のアライメントとSIRENネットワークを統合した詳細UDF(DEUDF)学習を提案する。 計算結果から,DEUDFは既存のUDF学習法よりも精度と再現面の品質が優れていることが示された。
• 参考スコア（独自算出の注目度）: 26.35134181204119
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While Signed Distance Fields (SDF) are well-established for modeling watertight surfaces, Unsigned Distance Fields (UDF) broaden the scope to include open surfaces and models with complex inner structures. Despite their flexibility, UDFs encounter significant challenges in high-fidelity 3D reconstruction, such as non-differentiability at the zero level set, difficulty in achieving the exact zero value, numerous local minima, vanishing gradients, and oscillating gradient directions near the zero level set. To address these challenges, we propose Details Enhanced UDF (DEUDF) learning that integrates normal alignment and the SIREN network for capturing fine geometric details, adaptively weighted Eikonal constraints to address vanishing gradients near the target surface, unconditioned MLP-based UDF representation to relax non-negativity constraints, and a UDF-tailored method for extracting iso-surface with non-constant iso-values. These strategies collectively stabilize the learning process from unoriented point clouds and enhance the accuracy of UDFs. Our computational results demonstrate that DEUDF outperforms existing UDF learning methods in both accuracy and the quality of reconstructed surfaces. We will make the source code publicly available.
• Abstract（参考訳）: SDF (Signed Distance Fields) は、水密面をモデル化するためによく確立されているが、Unsigned Distance Fields (UDF) は、複雑な内部構造を持つ開放面やモデルを含む範囲を広げている。 その柔軟性にもかかわらず、UDFはゼロレベルセットでの非微分可能性、正確なゼロ値の達成の難しさ、多くの局所最小値、消失勾配、ゼロレベルセット近傍での勾配方向の振動など、高忠実度3次元再構成において重大な課題に直面している。 これらの課題に対処するために、正規アライメントとSIRENネットワークを統合したDEUDF学習、ターゲット表面近傍の消滅勾配に適応的に重み付けされたアイコンの制約、非負性制約を緩和する無条件MLPベースのUDF表現、非コンスタントなアイソ値でアイソ面を抽出するUDF調整法を提案する。 これらの戦略は、無向点雲からの学習プロセスを総合的に安定化し、UDFの精度を高める。 計算結果から,DEUDFは既存のUDF学習法よりも精度と再現面の品質が優れていることが示された。 ソースコードを公開します。

関連論文リスト

• DCUDF2: Improving Efficiency and Accuracy in Extracting Zero Level Sets from Unsigned Distance Fields [11.397415082340482]
  符号なし距離場(UDF)は複雑な位相を持つモデルの表現を可能にするが、これらの場からの正確なゼロレベル集合は重大な問題を引き起こす。 我々は、UDFからゼロレベルセットを抽出するために、現在の最先端手法の強化であるDF2を紹介する。 提案手法では,自己適応重みを付加した精度認識損失関数を用いて,幾何学的品質を著しく向上させる。
  論文  参考訳（メタデータ） (2024-08-30T13:31:15Z)
• 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)
• Unsigned Orthogonal Distance Fields: An Accurate Neural Implicit Representation for Diverse 3D Shapes [29.65562721329593]
  本稿では,符号なし距離場(UDF)に基づくニューラル暗黙表現を提案する。 UODFでは、任意の空間点から形状表面への最小符号なし距離は、SDFとUDFの多方向決定とは対照的に、一方向のみに定義される。 本研究では,水密形状から水密形状から複雑な形状まで,様々な復元例を用いてUODFの有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-03T06:58:35Z)
• Learning a More Continuous Zero Level Set in Unsigned Distance Fields through Level Set Projection [55.05706827963042]
  非符号距離関数(UDF)を用いた開口面形状の最新の表現法 ニューラルネットワークをトレーニングしてUDFを学習し、UDFのゼロレベルセットの周囲の勾配で表面を再構築する。 本稿では,UDF におけるより連続的なゼロレベルセットを,レベルセットのプロジェクションを用いて学習することを提案する。
  論文  参考訳（メタデータ） (2023-08-22T13:45:35Z)
• Towards Better Gradient Consistency for Neural Signed Distance Functions via Level Set Alignment [50.892158511845466]
  レベルセットの並列性によって示される場の勾配一貫性が、推論精度に影響を及ぼす重要な要因であることを示す。 そこで本研究では,次数集合の並列性を評価するためのレベルセットアライメント損失を提案する。
  論文  参考訳（メタデータ） (2023-05-19T11:28:05Z)
• NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
  NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-04-20T04:14:42Z)
• GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided Distance Representation [73.77505964222632]
  スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。 具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。 予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-30T06:02:01Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
  CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。 我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。 学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2022-10-06T08:51:08Z)

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。