Fugu-MT 論文翻訳(概要): SR-CurvANN: Advancing 3D Surface Reconstruction through Curvature-Aware Neural Networks

論文の概要: SR-CurvANN: Advancing 3D Surface Reconstruction through Curvature-Aware Neural Networks

arxiv url: http://arxiv.org/abs/2407.17896v2
Date: Thu, 26 Sep 2024 10:33:53 GMT
ステータス: 処理完了
システム内更新日: 2024-11-08 15:01:09.650032
Title: SR-CurvANN: Advancing 3D Surface Reconstruction through Curvature-Aware Neural Networks
Title（参考訳）: SR-CurvANN:曲率認識ニューラルネットワークによる3次元表面再構成の改善
Authors: Marina Hernández-Bautista, Francisco J. Melero,
Abstract要約: SR-CurvANNは、ニューラルネットワークベースの2Dインペイントを組み込んで、3D表面を効果的に再構築する新しい手法である。 SR-CurvANNは形状完成過程において優れており、穴を目覚ましいリアリズムと精度で埋める。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Incomplete or missing data in three-dimensional (3D) models can lead to erroneous or flawed renderings, limiting their usefulness in applications such as visualization, geometric computation, and 3D printing. Conventional surface-repair techniques often fail to infer complex geometric details in missing areas. Neural networks successfully address hole-filling tasks in 2D images using inpainting techniques. The combination of surface reconstruction algorithms, guided by the model's curvature properties and the creativity of neural networks in the inpainting processes should provide realistic results in the hole completion task. In this paper, we propose a novel method entitled SR-CurvANN (Surface Reconstruction Based on Curvature-Aware Neural Networks) that incorporates neural network-based 2D inpainting to effectively reconstruct 3D surfaces. We train the neural networks with images that represent planar representations of the curvature at vertices of hundreds of 3D models. Once the missing areas have been inferred, a coarse-to-fine surface deformation process ensures that the surface fits the reconstructed curvature image. Our proposal makes it possible to learn and generalize patterns from a wide variety of training 3D models, generating comprehensive inpainted curvature images and surfaces. Experiments conducted on 959 models with several holes have demonstrated that SR-CurvANN excels in the shape completion process, filling holes with a remarkable level of realism and precision.
Abstract（参考訳）: 三次元3Dモデルにおける不完全または欠落したデータは、誤ったあるいは欠陥のあるレンダリングにつながり、可視化、幾何計算、および3Dプリンティングのような応用におけるそれらの有用性を制限する。従来の表面修復技術は、欠落した領域で複雑な幾何学的詳細を推測できないことが多い。ニューラルネットワークは、インペイント技術を用いて、2次元画像の穴埋め作業にうまく対処する。模型の曲率特性に導かれる表面再構成アルゴリズムと、塗装工程におけるニューラルネットワークの創造性の組み合わせは、穴埋め作業において現実的な結果をもたらすはずである。本稿では,ニューラルネットワークをベースとした2Dインペインティングを組み込んだSR-CurvANN(曲面再構成)を提案する。我々は、何百もの3Dモデルの頂点における曲率の平面表現を表す画像でニューラルネットワークを訓練する。欠落した領域が推測されると、粗い表面変形プロセスにより、表面が再構成された曲率画像に合うことが保証される。提案手法により,多種多様な3次元モデルからパターンを学習し,一般化し,包括的に塗布された曲率画像と曲面を生成することが可能となる。 SR-CurvANNは形状完了過程に優れており、穴を目覚ましいリアリズムと精度で埋めることを示した。

関連論文リスト

AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文参考訳（メタデータ） (2024-10-02T03:10:38Z)
MV2Cyl: Reconstructing 3D Extrusion Cylinders from Multi-View Images [13.255044855902408]
2次元多視点画像から3次元を再構成する新しい手法であるMV2Cylを提案する。本研究では,2次元スケッチと抽出パラメータ推定において最適な精度で最適な再構成結果を得る。
論文参考訳（メタデータ） (2024-06-16T08:54:38Z)
Normal-guided Detail-Preserving Neural Implicit Functions for High-Fidelity 3D Surface Reconstruction [6.4279213810512665]
RGBまたはRGBD画像からニューラル暗黙表現を学習する現在の方法は、欠落した部分と詳細を持つ3D曲面を生成する。本稿では,1次微分特性を持つニューラル表現のトレーニング,すなわち表面正規化が,高精度な3次元表面再構成をもたらすことを示す。
論文参考訳（メタデータ） (2024-06-07T11:48:47Z)
Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
論文参考訳（メタデータ） (2023-03-03T17:14:44Z)
Learning Neural Radiance Fields from Multi-View Geometry [1.1011268090482573]
画像に基づく3次元再構成のために,多視点幾何アルゴリズムとニューラルレージアンス場(NeRF)を組み合わせたMVG-NeRF(MVG-NeRF)というフレームワークを提案する。 NeRFは暗黙の3D表現の分野に革命をもたらした。
論文参考訳（メタデータ） (2022-10-24T08:53:35Z)
GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2022-10-19T17:56:03Z)
Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face Reconstruction [76.1612334630256]
我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。 3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
論文参考訳（メタデータ） (2021-05-16T16:35:44Z)
Neural Geometric Level of Detail: Real-time Rendering with Implicit 3D Shapes [77.6741486264257]
本稿では,高忠実度ニューラルネットワークSDFのリアルタイムレンダリングを可能にする,効率的なニューラル表現を提案する。我々の表現は、以前の作品に比べてレンダリング速度の点で2～3桁の効率であることを示す。
論文参考訳（メタデータ） (2021-01-26T18:50:22Z)
Pix2Surf: Learning Parametric 3D Surface Models of Objects from Images [64.53227129573293]
1つ以上の視点から見れば、新しいオブジェクトの3次元パラメトリック表面表現を学習する際の課題について検討する。ビュー間で一貫した高品質なパラメトリックな3次元表面を生成できるニューラルネットワークを設計する。提案手法は,共通対象カテゴリからの形状の公開データセットに基づいて,教師と訓練を行う。
論文参考訳（メタデータ） (2020-08-18T06:33:40Z)
Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance [46.488713939892136]
我々は、未知の幾何学、カメラパラメータ、および表面からカメラに向かって反射された光を近似するニューラルネットワークを同時に学習するニューラルネットワークを導入する。我々は、DTU MVSデータセットから、異なる素材特性、照明条件、ノイズの多いカメラ素材を実世界の2D画像でトレーニングした。
論文参考訳（メタデータ） (2020-03-22T10:20:13Z)

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。