論文の概要: Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2407.13342v1
• Date: Thu, 18 Jul 2024 09:40:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 15:50:32.169121
• Title: Implicit Filtering for Learning Neural Signed Distance Functions from 3D Point Clouds
• Title（参考訳）: 3次元点雲からのニューラルサイン付き距離関数学習のためのインプリシットフィルタ
• Authors: Shengtao Li, Ge Gao, Yudong Liu, Ming Gu, Yu-Shen Liu,
• Abstract要約: 幾何学的詳細を保存しながら暗黙の場を滑らかにする非線形暗黙フィルタを提案する。 我々の新規性は、符号付き距離場の勾配で隣接する入力点によって曲面(ゼロレベル集合)をフィルタリングできることにある。 入力された原点雲を勾配に沿って移動させることで、提案した暗黙のフィルタリングを非ゼロレベル集合に拡張することができる。
• 参考スコア（独自算出の注目度）: 34.774577477968805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural signed distance functions (SDFs) have shown powerful ability in fitting the shape geometry. However, inferring continuous signed distance fields from discrete unoriented point clouds still remains a challenge. The neural network typically fits the shape with a rough surface and omits fine-grained geometric details such as shape edges and corners. In this paper, we propose a novel non-linear implicit filter to smooth the implicit field while preserving high-frequency geometry details. Our novelty lies in that we can filter the surface (zero level set) by the neighbor input points with gradients of the signed distance field. By moving the input raw point clouds along the gradient, our proposed implicit filtering can be extended to non-zero level sets to keep the promise consistency between different level sets, which consequently results in a better regularization of the zero level set. We conduct comprehensive experiments in surface reconstruction from objects and complex scene point clouds, the numerical and visual comparisons demonstrate our improvements over the state-of-the-art methods under the widely used benchmarks.
• Abstract（参考訳）: ニューラルサイン付き距離関数(SDF)は形状幾何学に適合する強力な能力を示している。 しかし、離散的無向点雲から連続符号付き距離場を推論することは依然として困難である。 ニューラルネットワークは通常、粗い表面で形状に適合し、形状の端や角といった細かい幾何学的詳細を省略する。 本稿では,高周波幾何の詳細を保存しながら,暗黙の場を滑らかにするための非線形暗黙フィルタを提案する。 我々の新規性は、符号付き距離場の勾配で隣接する入力点によって曲面(ゼロレベル集合)をフィルタリングできることにある。 入力された原点雲を勾配に沿って移動させることで、提案した暗黙のフィルタリングを非ゼロレベル集合に拡張し、異なるレベル集合間の約束の整合性を維持することができ、結果としてゼロレベル集合の規則化がより良くなる。 対象物および複雑なシーンポイント雲の表面再構成に関する総合的な実験を行い、数値的および視覚的比較により、広く使用されているベンチマークの下での最先端手法に対する改善を実証する。

関連論文リスト

• Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
  Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。 本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。 ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
  論文  参考訳（メタデータ） (2024-04-03T14:05:39Z)
• Zero-Level-Set Encoder for Neural Distance Fields [10.269224726391807]
  本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。 ネットワークはアイコン方程式を解くために訓練されており、訓練と推論のためにゼロレベル集合の知識しか必要としない。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• 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)
• Unsupervised Inference of Signed Distance Functions from Single Sparse Point Clouds without Learning Priors [54.966603013209685]
  3次元点雲から符号付き距離関数(SDF)を推測することは不可欠である。 単一スパース点雲から直接SDFを推定するニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T15:56:50Z)
• 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)
• 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)
• 3PSDF: Three-Pole Signed Distance Function for Learning Surfaces with Arbitrary Topologies [18.609959464825636]
  3極符号距離関数(3PSDF)と呼ばれる新しい学習可能な暗黙表現を提案する。 簡単なフィールド・ツー・メッシュ変換をサポートしながら、任意のトポロジーで非水密な3D形状を表現できる。 ヌルラベルによる消失勾配を気にせずに3PSDFを効果的に学習するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T07:24:04Z)
• Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
  現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。 そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。 本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
  論文  参考訳（メタデータ） (2022-04-22T09:45:20Z)
• Learning Gradient Fields for Shape Generation [69.85355757242075]
  点雲は、その形状の表面に密度が集中している3D点の分布からサンプルと見なすことができる。 非正規化確率密度の勾配上昇を行うことで点雲を生成する。 本モデルは,ログ密度場の勾配を直接予測し,スコアベース生成モデルに適応した単純な目的で学習することができる。
  論文  参考訳（メタデータ） (2020-08-14T18:06:15Z)

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。