論文の概要: VF-NeRF: Learning Neural Vector Fields for Indoor Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2408.08766v1
• Date: Fri, 16 Aug 2024 14:22:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 15:14:04.803446
• Title: VF-NeRF: Learning Neural Vector Fields for Indoor Scene Reconstruction
• Title（参考訳）: VF-NeRF:屋内シーン再構築のためのニューラルベクトル場学習
• Authors: Albert Gassol Puigjaner, Edoardo Mello Rella, Erik Sandström, Ajad Chhatkuli, Luc Van Gool,
• Abstract要約: 神経放射場(NeRF)を介する入射面は、表面再構成において驚くべき精度を示している。 本稿では,NeRFの重要面を再考することにより,屋内の高密度表面の再構成に対処する。 本稿では,新しい密度-VF関係と,レンダリングボリュームを用いてVFを学習可能なトレーニングスキームを開発する。
• 参考スコア（独自算出の注目度）: 46.46823927263253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit surfaces via neural radiance fields (NeRF) have shown surprising accuracy in surface reconstruction. Despite their success in reconstructing richly textured surfaces, existing methods struggle with planar regions with weak textures, which account for the majority of indoor scenes. In this paper, we address indoor dense surface reconstruction by revisiting key aspects of NeRF in order to use the recently proposed Vector Field (VF) as the implicit representation. VF is defined by the unit vector directed to the nearest surface point. It therefore flips direction at the surface and equals to the explicit surface normals. Except for this flip, VF remains constant along planar surfaces and provides a strong inductive bias in representing planar surfaces. Concretely, we develop a novel density-VF relationship and a training scheme that allows us to learn VF via volume rendering By doing this, VF-NeRF can model large planar surfaces and sharp corners accurately. We show that, when depth cues are available, our method further improves and achieves state-of-the-art results in reconstructing indoor scenes and rendering novel views. We extensively evaluate VF-NeRF on indoor datasets and run ablations of its components.
• Abstract（参考訳）: 神経放射場(NeRF)を介する入射面は、表面再構成において驚くべき精度を示している。 リッチなテクスチャ面の再構築に成功したにもかかわらず、既存の手法は、室内のシーンの大半を占める弱いテクスチャを持つ平面領域と戦っている。 本稿では,最近提案されたベクトル場(VF)を暗黙の表現として使用するために,NeRFの重要面を再考することで屋内の高密度表面を再構築する手法を提案する。 VFは、最も近い表面点に向けられた単位ベクトルによって定義される。 したがって、表面の向きを反転させ、表面の正規値と等しい。 このフリップを除いて、VF は平面面に沿って一定であり、平面面を表す強い帰納バイアスを与える。 具体的には、新しい密度-VF関係と、ボリュームレンダリングによるVFの学習を可能にするトレーニングスキームを開発し、VF-NeRFは、大きな平面面と鋭い角を正確にモデル化することができる。 本研究では,奥行きの手がかりが得られれば,室内のシーンを再構築し,新しいビューを描画する手法をさらに改良し,最先端の成果が得られることを示す。 室内データセット上でVF-NeRFを広範囲に評価し,その成分のアブレーションを実行する。

関連論文リスト

• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• NeUDF: Leaning Neural Unsigned Distance Fields with Volume Rendering [25.078149064632218]
  NeUDFは、多視点監視のみから任意のトポロジで表面を再構築することができる。 DTU,MGN,Deep Fashion 3Dなど,多くの課題のあるデータセットに対して,我々の手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2023-04-20T04:14:42Z)
• NeAT: Learning Neural Implicit Surfaces with Arbitrary Topologies from Multi-view Images [17.637064969966847]
  NeATは、多視点画像から任意のトポロジを持つ暗黙の曲面を学習する、新しいニューラルネットワークレンダリングフレームワークである。 NeATは、古典的なマーチングキューブアルゴリズムを用いて、フィールドからメッシュへの変換を容易にする。 我々のアプローチは、水密面と非水密面の両方を忠実に再構築することができる。
  論文  参考訳（メタデータ） (2023-03-21T16:49:41Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• 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)
• Neural Vector Fields for Implicit Surface Representation and Inference [73.25812045209001]
  近年, 3次元形状を正確に表現し, 学習する試みが盛んに行われている。 我々は、3次元空間における単位ベクトルを考慮し、それをベクトル場(Vector Field, VF)と呼ぶ新しい基本表現を開発する。 VF表現の利点は、オープン、クローズド、多層化、平面面の断片化である。
  論文  参考訳（メタデータ） (2022-04-13T17:53:34Z)
• NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction [88.02850205432763]
  物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。 DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。 本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。 マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-20T12:59:42Z)
• UNISURF: Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction [61.17219252031391]
  ニューラル暗黙的3D表現を用いた多視点画像から表面を再構築する新しい手法を提案する。 我々の重要な洞察は、暗黙の曲面モデルと放射場を統一的に定式化し、表面および体積のレンダリングを可能にすることである。 実験により, マスクを必要とせず, idrと同等の性能を保ちつつ, 再構成品質でnrfを上回った。
  論文  参考訳（メタデータ） (2021-04-20T15:59:38Z)

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。