論文の概要: Category-level Neural Field for Reconstruction of Partially Observed Objects in Indoor Environment
- arxiv url: http://arxiv.org/abs/2406.08176v1
- Date: Wed, 12 Jun 2024 13:09:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 16:55:44.836424
- Title: Category-level Neural Field for Reconstruction of Partially Observed Objects in Indoor Environment
- Title(参考訳): 室内環境における部分観測物体の再構成のためのカテゴリーレベルのニューラルネットワーク
- Authors: Taekbeom Lee, Youngseok Jang, H. Jin Kim,
- Abstract要約: シーン内に存在する同じカテゴリに属するオブジェクト間で有意義な共通3D情報を学習するカテゴリレベルのニューラルフィールドを提案する。
私たちのキーとなるアイデアは、観察された形状に基づいてオブジェクトを分類し、カテゴリレベルのモデルのより良いトレーニングを行うことです。
シミュレーションと実世界のデータセットによる実験により,いくつかのカテゴリで観測されていない部分の再構成を改善することが実証された。
- 参考スコア(独自算出の注目度): 24.880495520422006
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Neural implicit representation has attracted attention in 3D reconstruction through various success cases. For further applications such as scene understanding or editing, several works have shown progress towards object compositional reconstruction. Despite their superior performance in observed regions, their performance is still limited in reconstructing objects that are partially observed. To better treat this problem, we introduce category-level neural fields that learn meaningful common 3D information among objects belonging to the same category present in the scene. Our key idea is to subcategorize objects based on their observed shape for better training of the category-level model. Then we take advantage of the neural field to conduct the challenging task of registering partially observed objects by selecting and aligning against representative objects selected by ray-based uncertainty. Experiments on both simulation and real-world datasets demonstrate that our method improves the reconstruction of unobserved parts for several categories.
- Abstract(参考訳): 神経暗黙の表現は、様々な成功例を通して3次元再構成において注目されている。
シーン理解や編集などのさらなる応用のために、いくつかの作品がオブジェクト構成の再構築に向けて進展している。
観察された領域での優れた性能にもかかわらず、その性能は部分的に観察される物体の再構成において制限されている。
この問題をよりよく扱うために、シーンに存在する同じカテゴリに属するオブジェクト間で有意義な共通3D情報を学習するカテゴリレベルのニューラルフィールドを導入する。
私たちのキーとなるアイデアは、観察された形状に基づいてオブジェクトを分類し、カテゴリレベルのモデルのより良いトレーニングを行うことです。
そして、このニューラルネットワークを利用して、光線に基づく不確実性によって選択された代表オブジェクトを選択し、整合させることにより、部分的に観察されたオブジェクトを登録する挑戦的なタスクを実行する。
シミュレーションと実世界のデータセットによる実験により,いくつかのカテゴリで観測されていない部分の再構成を改善することが実証された。
関連論文リスト
- Zero-Shot Object-Centric Representation Learning [72.43369950684057]
ゼロショット一般化のレンズによる現在の対象中心法について検討する。
8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。
多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
論文 参考訳(メタデータ) (2024-08-17T10:37:07Z) - SimNP: Learning Self-Similarity Priors Between Neural Points [52.4201466988562]
SimNPはカテゴリーレベルの自己相似性を学ぶ方法である。
我々は、SimNPが対称な見えない対象領域の再構成において、従来の手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-09-07T16:02:40Z) - Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。
本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。
我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
論文 参考訳(メタデータ) (2022-08-04T14:13:35Z) - Visual Ground Truth Construction as Faceted Classification [4.7590051176368915]
アプローチの主な新規性は、視覚的種分化を利用した視覚特性から分類階層を構築するという事実にある。
提案手法は、音楽実験のImageNet階層に関する一連の実験によって検証される。
論文 参考訳(メタデータ) (2022-02-17T08:35:23Z) - Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。
対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。
本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
論文 参考訳(メタデータ) (2021-11-11T17:59:42Z) - StrobeNet: Category-Level Multiview Reconstruction of Articulated
Objects [17.698319441265223]
StrobeNetは、未提示のRGB画像から明瞭なオブジェクトをカテゴリレベルの3D再構成する手法である。
私たちのアプローチは、大きなベースラインを持つ画像で異なる表現で観察された場合でも、オブジェクトを再構築します。
論文 参考訳(メタデータ) (2021-05-17T17:05:42Z) - Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。
再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。
本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
論文 参考訳(メタデータ) (2021-03-30T17:57:01Z) - On the generalization of learning-based 3D reconstruction [10.516860541554632]
学習に基づく3次元再構成手法の一般化に影響を及ぼすモデルアーキテクチャで符号化された帰納バイアスについて検討する。
3つの帰納バイアスは,エンコーダの空間的範囲,シーンの基本的な形状を用いて点特徴を記述し,複数のビューから情報を集約する機構,といった性能に影響を及ぼすことがわかった。
論文 参考訳(メタデータ) (2020-06-27T18:53:41Z) - Fine-Grained 3D Shape Classification with Hierarchical Part-View
Attentions [70.0171362989609]
本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。
詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法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) (2020-05-26T06:53:19Z)
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。