Fugu-MT 論文翻訳(概要): HIVE: HIerarchical Volume Encoding for Neural Implicit Surface Reconstruction

論文の概要: HIVE: HIerarchical Volume Encoding for Neural Implicit Surface Reconstruction

arxiv url: http://arxiv.org/abs/2408.01677v1
Date: Sat, 3 Aug 2024 06:34:20 GMT
ステータス: 処理完了
システム内更新日: 2024-08-06 19:00:53.307656
Title: HIVE: HIerarchical Volume Encoding for Neural Implicit Surface Reconstruction
Title（参考訳）: HIVE: 階層型ボリュームエンコーディングによるニューラルインシシデント表面再構成
Authors: Xiaodong Gu, Weihao Yuan, Heng Li, Zilong Dong, Ping Tan,
Abstract要約: 空間情報を明示的に符号化するためのボリュームエンコーディングを導入する。高分解能ボリュームは、高周波幾何学の詳細をキャプチャする。低解像度の体積は、形状を滑らかに保つために空間的な一貫性を強制する。この階層的なボリュームエンコーディングは、プラグ・アンド・プレイモジュールとして任意の暗黙の面再構成法に付加することができる。
参考スコア（独自算出の注目度）: 37.00102816748563
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural implicit surface reconstruction has become a new trend in reconstructing a detailed 3D shape from images. In previous methods, however, the 3D scene is only encoded by the MLPs which do not have an explicit 3D structure. To better represent 3D shapes, we introduce a volume encoding to explicitly encode the spatial information. We further design hierarchical volumes to encode the scene structures in multiple scales. The high-resolution volumes capture the high-frequency geometry details since spatially varying features could be learned from different 3D points, while the low-resolution volumes enforce the spatial consistency to keep the shape smooth since adjacent locations possess the same low-resolution feature. In addition, we adopt a sparse structure to reduce the memory consumption at high-resolution volumes, and two regularization terms to enhance results smoothness. This hierarchical volume encoding could be appended to any implicit surface reconstruction method as a plug-and-play module, and can generate a smooth and clean reconstruction with more details. Superior performance is demonstrated in DTU, EPFL, and BlendedMVS datasets with significant improvement on the standard metrics.
Abstract（参考訳）: ニューラルな暗黙の表面再構成は、画像から詳細な3次元形状を再構築する新たなトレンドとなっている。しかし、従来の方法では、3Dシーンは明示的な3D構造を持たないMPPによってのみ符号化される。 3次元形状をよりよく表現するために,空間情報を明示的に符号化するボリュームエンコーディングを導入する。我々はさらに階層的なボリュームを設計し、複数のスケールでシーン構造を符号化する。高分解能ボリュームは、空間的に異なる特徴が異なる3Dポイントから学習できるのに対し、低分解能ボリュームは、隣接する場所が同じ低分解能特徴を持つため、その形状を滑らかに保つために空間一貫性を強制する。さらに,高分解能ボリュームでのメモリ消費を低減するためのスパース構造と,結果の滑らかさを高めるための2つの正規化項を採用する。この階層的なボリュームエンコーディングは、プラグイン・アンド・プレイモジュールとして任意の暗黙的な表面再構成法に付加することができ、より詳細な情報で滑らかでクリーンな再構成を生成することができる。 DTU、EPFL、およびBlendedMVSデータセットで上位のパフォーマンスが実証され、標準メトリクスが大幅に改善された。

関連論文リスト

Optimizing 3D Geometry Reconstruction from Implicit Neural Representations [2.3940819037450987]
暗黙の神経表現は、3D幾何学を学ぶための強力なツールとして登場した。本稿では,計算コストを削減し,細部を捉える新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-16T16:36:23Z)
SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
論文参考訳（メタデータ） (2024-04-29T23:26:30Z)
Neural Progressive Meshes [54.52990060976026]
本稿では,共有学習空間を用いた3次元メッシュの伝送手法を提案する。分割型エンコーダ・デコーダアーキテクチャを用いて,この空間を学習する。本手法は複雑な3次元形状を多種多様な形状で評価し, 圧縮率と復元品質の点で, ベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-10T17:58:02Z)
Incremental Dense Reconstruction from Monocular Video with Guided Sparse Feature Volume Fusion [23.984073189849024]
本報告では, TSDF値のリアルタイムな特徴量に基づく高密度再構成手法を提案し, 新たな深部特徴量からTSDF値を推定する。不確実性を認識したマルチビューステレオネットワークを利用して、スパース特徴量における物理表面の初期ボクセル位置を推定する。提案手法は,多くの場合において,より細部でより完全な再構築が可能であることを示す。
論文参考訳（メタデータ） (2023-05-24T09:06:01Z)
FineRecon: Depth-aware Feed-forward Network for Detailed 3D Reconstruction [13.157400338544177]
ポーズ画像からの3次元再構成に関する最近の研究は、深層ニューラルネットワークを用いてシーンレベルの3次元幾何を直接推定できることを実証している。推論に基づく3次元再構成の忠実度を改善するための有効な3つの方法を提案する。提案手法はスムーズかつ高精度な再構成を行い,多深度および3次元再構成の指標において顕著な改善が見られた。
論文参考訳（メタデータ） (2023-04-04T02:50:29Z)
Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。本手法は,高精度な表面を細部で再構成し,その性能を向上する。
論文参考訳（メタデータ） (2022-11-21T10:06:09Z)
3D Shape Reconstruction from 2D Images with Disentangled Attribute Flow [61.62796058294777]
単一の2D画像から3D形状を再構築することは難しい作業だ。従来の手法の多くは3次元再構成作業における意味的属性の抽出に苦慮している。本稿では,3DAttriFlowを用いて,入力画像の異なる意味レベルから意味的属性を抽出する手法を提案する。
論文参考訳（メタデータ） (2022-03-29T02:03:31Z)
Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
論文参考訳（メタデータ） (2021-11-08T05:29:35Z)
Volume Rendering of Neural Implicit Surfaces [57.802056954935495]
本稿では,ニューラルボリュームレンダリングにおける幾何学的表現と再構成を改善することを目的とする。体積密度を幾何学の関数としてモデル化することで実現する。この新たな密度表現を挑戦的なシーンマルチビューデータセットに適用することで、高品質な幾何学的再構成を実現した。
論文参考訳（メタデータ） (2021-06-22T20:23:16Z)
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)
A Simple and Scalable Shape Representation for 3D Reconstruction [22.826897662839357]
表面の符号付き距離関数(SDF)の主成分分析から得られた線形デコーダを用いて高品質な3次元再構成が得られることを示す。このアプローチにより、より大規模な解像度へのスケーリングが容易になる。
論文参考訳（メタデータ） (2020-05-10T10:22:50Z)

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。