論文の概要: Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with Lagrangian Particle Optimization

• arxiv url: http://arxiv.org/abs/2406.04155v1
• Date: Thu, 6 Jun 2024 15:17:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 14:20:13.565322
• Title: Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with Lagrangian Particle Optimization
• Title（参考訳）: ラグランジアン粒子最適化を用いた物理増強連続神経放射場に基づく幾何-非依存系の同定
• Authors: Takuhiro Kaneko,
• Abstract要約: 幾何学に依存しないシステム識別(Geometry-Agnostic System Identification)は、幾何学的な仮定なしにビデオシーケンスから物体の幾何学的特性と物理的性質を識別する技術である。 近年, 物理学強化連続神経放射場 (PAC-NeRF) が, この手法の有望な結果を示している。 ラグランジアン粒子最適化(LPO)を提案し,ラグランジアン空間の映像系列を用いて粒子の位置と特徴を最適化する。
• 参考スコア（独自算出の注目度）: 20.586692311724914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geometry-agnostic system identification is a technique for identifying the geometry and physical properties of an object from video sequences without any geometric assumptions. Recently, physics-augmented continuum neural radiance fields (PAC-NeRF) has demonstrated promising results for this technique by utilizing a hybrid Eulerian-Lagrangian representation, in which the geometry is represented by the Eulerian grid representations of NeRF, the physics is described by a material point method (MPM), and they are connected via Lagrangian particles. However, a notable limitation of PAC-NeRF is that its performance is sensitive to the learning of the geometry from the first frames owing to its two-step optimization. First, the grid representations are optimized with the first frames of video sequences, and then the physical properties are optimized through video sequences utilizing the fixed first-frame grid representations. This limitation can be critical when learning of the geometric structure is difficult, for example, in a few-shot (sparse view) setting. To overcome this limitation, we propose Lagrangian particle optimization (LPO), in which the positions and features of particles are optimized through video sequences in Lagrangian space. This method allows for the optimization of the geometric structure across the entire video sequence within the physical constraints imposed by the MPM. The experimental results demonstrate that the LPO is useful for geometric correction and physical identification in sparse-view settings.
• Abstract（参考訳）: 幾何学に依存しないシステム識別(Geometry-Agnostic System Identification)は、幾何学的な仮定なしにビデオシーケンスから物体の幾何学的特性と物理的性質を識別する技術である。 近年, 物理増強連続体ニューラル放射場 (PAC-NeRF) は, ユーレリア・ラグランジアンのハイブリッド表現を用いて, 幾何学をNeRFのユーレリア格子表現で表現し, 物理を物質点法 (MPM) で記述し, ラグランジアン粒子を介して接続することで, この手法の有望な結果を証明している。 しかしながら、PAC-NeRFの顕著な制限は、その2ステップの最適化のため、その性能が第1フレームからの幾何学の学習に敏感である点である。 まず、グリッド表現をビデオシーケンスの第1フレームに最適化し、固定された第1フレームグリッド表現を利用して物理特性をビデオシーケンスで最適化する。 この制限は、例えば数ショット(スパースビュー)の設定など、幾何学的構造を学ぶのが難しいときに重要である。 この制限を克服するため,ラグランジアン粒子最適化(LPO)を提案し,粒子の位置と特徴をラグランジアン空間内のビデオシーケンスによって最適化する。 この方法では、MPMによって課される物理的制約の中で、ビデオシーケンス全体にわたって幾何学的構造を最適化することができる。 実験により,LPOはスパースビュー設定における幾何補正や物理的同定に有用であることが示された。

関連論文リスト

• Triplet: Triangle Patchlet for Mesh-Based Inverse Rendering and Scene Parameters Approximation [0.0]
  逆レンダリングは、光、幾何学、テクスチャ、材料を含むシーンの物理的特性を導き出そうとする。 メッシュは、多くのシミュレーションパイプラインで採用されている伝統的な表現として、いまだに逆レンダリングのラディアンスフィールドに限られた影響しか示していない。 本稿では,これらのパラメータを包括的に近似するメッシュベースの表現であるTriangle Patchlet (abbr. Triplet) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T09:59:11Z)
• Physics-based reward driven image analysis in microscopy [5.581609660066545]
  本稿では,画像解析を動的に最適化するReward Functionの概念に基づく方法論を提案する。 Reward関数は、実験目標とより広いコンテキストと密接に整合するように設計されている。 高次元クラスタリングの物理駆動型報酬関数とアクション空間を作成することにより,部分非秩序領域の同定に向けた報酬関数のアプローチを拡張した。
  論文  参考訳（メタデータ） (2024-04-22T12:55:04Z)
• Towards Geometric-Photometric Joint Alignment for Facial Mesh Registration [3.588864037082647]
  本稿では,幾何情報と測光情報を組み合わせることで,人間の表情を正確に整列する幾何学的・測光的関節アライメント法を提案する。 実験結果は,従来のICPに基づく手法と最先端のディープラーニングに基づく手法を超越した,様々な表現の下で忠実なアライメントを示す。 本手法は,多視点ステレオ顔スキャンからトポロジに一貫性のある顔モデルを得る効率を高める。
  論文  参考訳（メタデータ） (2024-03-05T03:39:23Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• PVSeRF: Joint Pixel-, Voxel- and Surface-Aligned Radiance Field for Single-Image Novel View Synthesis [52.546998369121354]
  シングルビューRGB画像からニューラル放射場を再構成する学習フレームワークPVSeRFを提案する。 本稿では,明示的な幾何学的推論を取り入れ,放射場予測のための画素アラインな特徴と組み合わせることを提案する。 このような幾何学的特徴の導入は、外観と幾何学の絡み合いを改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-10T07:39:47Z)
• 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)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
  有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。 正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。 高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
  論文  参考訳（メタデータ） (2020-02-25T23:05:33Z)

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。