論文の概要: Neural Octahedral Field: Octahedral prior for simultaneous smoothing and sharp edge regularization
- arxiv url: http://arxiv.org/abs/2408.00303v1
- Date: Thu, 1 Aug 2024 06:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 21:35:40.868937
- Title: Neural Octahedral Field: Octahedral prior for simultaneous smoothing and sharp edge regularization
- Title（参考訳）: ニューラルオクタヘドラル場--同時平滑化とシャープエッジ正則化に先立つオクタヘドラル
- Authors: Ruichen Zheng, Tao Yu,
- Abstract要約: そこで本研究では,オクタヘドラル場(Octahedral field)の新たな変種下での表面再構成を導くことを提案する。
暗黙の幾何とともに八面体を同時に嵌め、滑らかにすることで、二元フィルタリングと類似して振る舞う。
提案手法は, 様々な実験において, 従来型, ニューラルなアプローチより優れている。
- 参考スコア（独自算出の注目度）: 9.167571374234166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural implicit representation, the parameterization of distance function as a coordinate neural field, has emerged as a promising lead in tackling surface reconstruction from unoriented point clouds. To enforce consistent orientation, existing methods focus on regularizing the gradient of the distance function, such as constraining it to be of the unit norm, minimizing its divergence, or aligning it with the eigenvector of Hessian that corresponds to zero eigenvalue. However, under the presence of large scanning noise, they tend to either overfit the noise input or produce an excessively smooth reconstruction. In this work, we propose to guide the surface reconstruction under a new variant of neural field, the octahedral field, leveraging the spherical harmonics representation of octahedral frames originated in the hexahedral meshing. Such field automatically snaps to geometry features when constrained to be smooth, and naturally preserves sharp angles when interpolated over creases. By simultaneously fitting and smoothing the octahedral field alongside the implicit geometry, it behaves analogously to bilateral filtering, resulting in smooth reconstruction while preserving sharp edges. Despite being operated purely pointwise, our method outperforms various traditional and neural approaches across extensive experiments, and is very competitive with methods that require normal and data priors. Our full implementation is available at: https://github.com/Ankbzpx/frame-field.
- Abstract（参考訳）: 座標場としての距離関数のパラメータ化であるニューラル暗黙表現は、無向点雲からの表面再構成に取り組む上で有望な手がかりとなっている。
一貫した配向を強制するために、既存の手法は距離関数の勾配を正則化することに重点を置いており、例えば単位ノルムの勾配を制約したり、その発散を最小限にしたり、あるいはゼロ固有値に対応するヘッセンの固有ベクトルと整列させたりしている。
しかし、大きなスキャニングノイズの存在下では、ノイズ入力に過度に適合するか、過度に滑らかな再構成をもたらす傾向にある。
本研究では,ヘキサヘドラルメッシュリングに起源を持つオクサヘドラルフレームの球面調和表現を利用して,ニューラルフィールド,オクタヘドラルフィールドの新たな変種の下での表面再構成を導くことを提案する。
このような場は、制約が滑らかであるときに自動的に幾何学的特徴に近づき、クレーゼを補間すると自然に鋭い角度を保ちます。
暗黙の幾何学と共に八面体を同時に嵌め、滑らかにすることで、二元フィルタリングと類似して振舞い、鋭い縁を保ちながら円滑な再構築をもたらす。
純粋にポイントワイズに運用されているにもかかわらず、我々の手法は様々な実験において従来の手法やニューラルアプローチよりも優れており、通常の手法やデータに先行する手法と非常に競合する。
私たちの完全な実装は、https://github.com/Ankbzpx/frame-field.comで利用可能です。
関連論文リスト
- Geometry Field Splatting with Gaussian Surfels [23.412129038089326]
我々は、最近の研究で提案された不透明曲面の幾何学的場を利用して、体積密度に変換することができる。
ガウス核やウェーバを体積よりも幾何場に適応させ、不透明な固体の正確な再構成を可能にする。
広範に使用されているデータセット上で再構成された3次元表面の質が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2024-11-26T03:07:05Z) - ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。
そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。
本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
論文 参考訳（メタデータ） (2024-08-22T17:59:01Z) - Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。
最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
論文 参考訳（メタデータ） (2023-10-20T12:45:12Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - Neural-Singular-Hessian: Implicit Neural Representation of Unoriented
Point Clouds by Enforcing Singular Hessian [44.28251558359345]
我々は点雲から表面を再構築するための新しいアプローチを提案する。
提案手法は, 表面近傍の点と表面の射影点との勾配を整列し, わずか数回の反復で粗いが忠実な形状となる。
論文 参考訳（メタデータ） (2023-09-04T20:10:38Z) - Explicit Neural Surfaces: Learning Continuous Geometry With Deformation
Fields [33.38609930708073]
本稿では、既知の基底領域からの変形場と位相をエンコードする効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。
暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
論文 参考訳（メタデータ） (2023-06-05T15:24:33Z) - Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。
RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
論文 参考訳（メタデータ） (2022-06-07T08:11:22Z) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳（メタデータ） (2022-02-16T21:24:54Z) - Spatio-Temporal Variational Gaussian Processes [26.60276485130467]
時空間フィルタリングと自然変動推論を組み合わせたガウス過程推論にスケーラブルなアプローチを導入する。
還元された誘導点集合上で状態空間モデルを構成するスパース近似を導出する。
分離可能なマルコフカーネルの場合、完全スパースケースは標準変分GPを正確に回復する。
論文 参考訳（メタデータ） (2021-11-02T16:53:31Z) - 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) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。