論文の概要: MergeNet: Explicit Mesh Reconstruction from Sparse Point Clouds via Edge Prediction

• arxiv url: http://arxiv.org/abs/2407.11610v1
• Date: Tue, 16 Jul 2024 11:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 15:23:07.418897
• Title: MergeNet: Explicit Mesh Reconstruction from Sparse Point Clouds via Edge Prediction
• Title（参考訳）: MergeNet: エッジ予測によるスパースポイントクラウドからの明示的なメッシュ再構築
• Authors: Weimin Wang, Yingxu Deng, Zezeng Li, Yu Liu, Na Lei,
• Abstract要約: 既存の暗黙の手法は、優れた滑らかで水密なメッシュを生成する。 顔を直接ポイントから形成することで、明示的な手法がより効率的になる。 本稿では,メッシュ再構成を局所接続予測問題に変換する edGE(Net) による MEshMerge 再構成を提案する。
• 参考スコア（独自算出の注目度）: 11.280646720745729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel method for reconstructing meshes from sparse point clouds by predicting edge connection. Existing implicit methods usually produce superior smooth and watertight meshes due to the isosurface extraction algorithms~(e.g., Marching Cubes). However, these methods become memory and computationally intensive with increasing resolution. Explicit methods are more efficient by directly forming the face from points. Nevertheless, the challenge of selecting appropriate faces from enormous candidates often leads to undesirable faces and holes. Moreover, the reconstruction performance of both approaches tends to degrade when the point cloud gets sparse. To this end, we propose MEsh Reconstruction via edGE~(MergeNet), which converts mesh reconstruction into local connectivity prediction problems. Specifically, MergeNet learns to extract the features of candidate edges and regress their distances to the underlying surface. Consequently, the predicted distance is utilized to filter out edges that lay on surfaces. Finally, the meshes are reconstructed by refining the triangulations formed by these edges. Extensive experiments on synthetic and real-scanned datasets demonstrate the superiority of MergeNet to SoTA explicit methods.
• Abstract（参考訳）: 本稿では,エッジ接続を予測して疎点雲からメッシュを再構築する新しい手法を提案する。 既存の暗黙の手法は、通常、等表面抽出アルゴリズム~(eg, Marching Cubes)により、滑らかで水密なメッシュを生成する。 しかし、これらの手法は高解像度化とともにメモリと計算集約化される。 顔を直接ポイントから形成することで、明示的な手法がより効率的になる。 それでも、巨大な候補から適切な顔を選択するという課題は、しばしば望ましくない顔や穴につながる。 さらに、両方のアプローチの再構築性能は、ポイントクラウドがスパースになると劣化する傾向にある。 この目的のために,メッシュ再構成を局所接続予測問題に変換する,edGE~(MergeNet)によるMesh再構成を提案する。 具体的には、MergeNetは、候補エッジの特徴を抽出し、基礎となる表面までの距離を遅らせることを学ぶ。 これにより、予測された距離を利用して、表面に横たわるエッジをフィルタリングする。 最後に、メッシュは、これらのエッジによって形成された三角形を精製することによって再構成される。 合成および実スキャンされたデータセットに関する大規模な実験は、MergeNetとSoTAの明示的な手法の優位性を実証している。

関連論文リスト

• Arbitrary-Scale Point Cloud Upsampling by Voxel-Based Network with Latent Geometric-Consistent Learning [52.825441454264585]
  Voxel-based Network (textbfPU-VoxelNet) を用いた任意のスケールのクラウド・アップサンプリング・フレームワークを提案する。 ボクセル表現から継承された完全性と規則性により、ボクセルベースのネットワークは3次元表面を近似する事前定義されたグリッド空間を提供することができる。 密度誘導グリッド再サンプリング法を開発し、高忠実度点を生成するとともに、サンプリング出力を効果的に回避する。
  論文  参考訳（メタデータ） (2024-03-08T07:31:14Z)
• CircNet: Meshing 3D Point Clouds with Circumcenter Detection [67.23307214942696]
  3次元点雲を三角形メッシュに再構成することは、計算幾何学と表面再構成の重要な問題である。 我々は,点雲三角測量を実現するために,周辺を検知するディープニューラルネットワークを導入する。 我々は水密面と開面面の両方の顕著なデータセットに対して本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-23T03:32:57Z)
• Edge Preserving Implicit Surface Representation of Point Clouds [27.632399836710164]
  本稿では,ラプリカン正規化器と動的エッジサンプリング戦略を主成分とする新しいエッジ保存型暗黙表面再構成法を提案する。 現状の手法と比較すると,本手法は3次元再構成結果の質を著しく向上させる。
  論文  参考訳（メタデータ） (2023-01-12T08:04:47Z)
• 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)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
  既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。 私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。 提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
  論文  参考訳（メタデータ） (2020-07-17T22:36:00Z)
• Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
  本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:01:04Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。