論文の概要: ActiveNeRF: Learning Accurate 3D Geometry by Active Pattern Projection
- arxiv url: http://arxiv.org/abs/2408.06592v1
- Date: Tue, 13 Aug 2024 03:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-14 18:46:15.929852
- Title: ActiveNeRF: Learning Accurate 3D Geometry by Active Pattern Projection
- Title（参考訳）: ActiveNeRF: アクティブパターン投影による正確な3次元形状の学習
- Authors: Jianyu Tao, Changping Hu, Edward Yang, Jing Xu, Rui Chen,
- Abstract要約: 我々は,NeRFの幾何学的品質を改善する3次元幾何再構成フレームワークであるActiveNeRFを提案する。
シーン形状とアクティブパターンを協調的に学習する,学習可能なアクティブパターン描画パイプラインを設計する。
提案手法は,アクティブなパターンを付加し,その一貫性を異なる視点で示すことによって,定性的かつ定量的に芸術幾何学的再構成手法の状態を上回ります。
- 参考スコア（独自算出の注目度）: 7.499211698162314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: NeRFs have achieved incredible success in novel view synthesis. However, the accuracy of the implicit geometry is unsatisfactory because the passive static environmental illumination has low spatial frequency and cannot provide enough information for accurate geometry reconstruction. In this work, we propose ActiveNeRF, a 3D geometry reconstruction framework, which improves the geometry quality of NeRF by actively projecting patterns of high spatial frequency onto the scene using a projector which has a constant relative pose to the camera. We design a learnable active pattern rendering pipeline which jointly learns the scene geometry and the active pattern. We find that, by adding the active pattern and imposing its consistency across different views, our proposed method outperforms state of the art geometry reconstruction methods qualitatively and quantitatively in both simulation and real experiments. Code is avaliable at https://github.com/hcp16/active_nerf
- Abstract（参考訳）: NeRFは、新しいビュー合成において驚くべき成功を収めた。
しかし、受動的静環境照明は空間周波数が低く、正確な幾何再構成に十分な情報を提供できないため、暗黙的幾何の精度は不満足である。
本研究では、カメラに一定の相対的なポーズを持つプロジェクタを用いて、高空間周波数のパターンをシーンに積極的に投影することにより、NeRFの幾何学的品質を向上させる3次元幾何再構成フレームワークであるActiveNeRFを提案する。
シーン形状とアクティブパターンを協調的に学習する,学習可能なアクティブパターン描画パイプラインを設計する。
提案手法は, アクティブパターンを付加し, 異なる視点で一貫性を付与することにより, シミュレーションと実実験の両方において, 定性的かつ定量的に, 最先端の幾何再構成法より優れることがわかった。
code is avaliable at https://github.com/hcp16/active_nerf
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) - Invisible Stitch: Generating Smooth 3D Scenes with Depth Inpainting [75.7154104065613]
本稿では,3次元融合過程を学習するために,教師の蒸留と自己学習によって訓練された新しい深度補完モデルを提案する。
また,地上の真理幾何に基づくシーン生成手法のベンチマーク手法も導入した。
論文 参考訳（メタデータ） (2024-04-30T17:59:40Z) - NeRF-Det: Learning Geometry-Aware Volumetric Representation for
Multi-View 3D Object Detection [65.02633277884911]
提案するNeRF-Detは,RGB画像を入力として室内3次元検出を行う新しい手法である。
提案手法は3次元形状を明示的に推定するため, エンドツーエンドでNeRFを用いて3次元検出性能を向上する。
論文 参考訳（メタデータ） (2023-07-27T04:36:16Z) - CVRecon: Rethinking 3D Geometric Feature Learning For Neural
Reconstruction [12.53249207602695]
本稿では,エンドツーエンドの3Dニューラル再構成フレームワークCVReconを提案する。
コストボリュームにリッチな幾何学的埋め込みを利用して、3次元の幾何学的特徴学習を容易にする。
論文 参考訳（メタデータ） (2023-04-28T05:30:19Z) - Improving Neural Radiance Fields with Depth-aware Optimization for Novel
View Synthesis [12.3338393483795]
SfMNeRFは,新規な視点の合成と3次元シーン形状の再構成を行う手法である。
SfMNeRFは、エピポーラ性、光度整合性、深さの滑らかさ、および3Dシーン構造を明示的に再構成するためにマッチ位置制約を用いる。
2つの公開データセットの実験では、SfMNeRFが最先端のアプローチを上回ることが示されている。
論文 参考訳（メタデータ） (2023-04-11T13:37:17Z) - 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) - Depth Completion using Geometry-Aware Embedding [22.333381291860498]
本稿では,幾何認識の埋め込みを効率的に学習する手法を提案する。
局所的および大域的な幾何学的構造情報を、例えば、シーンレイアウト、オブジェクトのサイズと形状などの3Dポイントから符号化し、深度推定を導く。
論文 参考訳（メタデータ） (2022-03-21T12:06:27Z) - Hybrid Approach for 3D Head Reconstruction: Using Neural Networks and
Visual Geometry [3.970492757288025]
本稿では,深層学習と幾何学的手法に基づくハイブリッド手法を用いて,複数の画像から3次元頭部を再構築する手法を提案する。
U-netアーキテクチャに基づくエンコーダデコーダネットワークを提案し、合成データのみを学習する。
論文 参考訳（メタデータ） (2021-04-28T11:31:35Z) - Polka Lines: Learning Structured Illumination and Reconstruction for
Active Stereo [52.68109922159688]
本稿では,波動光学と幾何光学の両方に依存した,アクティブステレオのための新しい微分可能な画像形成モデルと,新しい三眼再構成ネットワークを提案する。
Polka Lines" を再現ネットワークと組み合わせた共同最適化パターンは, 撮像条件全体にわたって, 最先端のアクティブステレオ深度推定を達成している。
論文 参考訳（メタデータ） (2020-11-26T04:02:43Z) - 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)
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。