論文の概要: Surface-Centric Modeling for High-Fidelity Generalizable Neural Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2409.03634v1
• Date: Thu, 5 Sep 2024 15:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 20:03:34.046352
• Title: Surface-Centric Modeling for High-Fidelity Generalizable Neural Surface Reconstruction
• Title（参考訳）: 高忠実性一般化型ニューラルサーフェス再構成のためのサーフェス中心モデリング
• Authors: Rui Peng, Shihe Shen, Kaiqiang Xiong, Huachen Gao, Jianbo Jiao, Xiaodong Gu, Ronggang Wang,
• Abstract要約: SuRFは、マッチングフィールドに基づいた新しいリージョンスペーシフィケーションを組み込んだ、新しいフレームワークである。 我々の知る限り、この手法はエンドツーエンドのスパーシフィケーションを実現する最初の教師なしの手法である。 実験により, 再現は高品質な細部を呈し, 新たな最先端性能を達成できることが確認された。
• 参考スコア（独自算出の注目度）: 29.26047429432185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing the high-fidelity surface from multi-view images, especially sparse images, is a critical and practical task that has attracted widespread attention in recent years. However, existing methods are impeded by the memory constraint or the requirement of ground-truth depths and cannot recover satisfactory geometric details. To this end, we propose SuRF, a new Surface-centric framework that incorporates a new Region sparsification based on a matching Field, achieving good trade-offs between performance, efficiency and scalability. To our knowledge, this is the first unsupervised method achieving end-to-end sparsification powered by the introduced matching field, which leverages the weight distribution to efficiently locate the boundary regions containing surface. Instead of predicting an SDF value for each voxel, we present a new region sparsification approach to sparse the volume by judging whether the voxel is inside the surface region. In this way, our model can exploit higher frequency features around the surface with less memory and computational consumption. Extensive experiments on multiple benchmarks containing complex large-scale scenes show that our reconstructions exhibit high-quality details and achieve new state-of-the-art performance, i.e., 46% improvements with 80% less memory consumption. Code is available at https://github.com/prstrive/SuRF.
• Abstract（参考訳）: 多視点画像、特にスパース画像から高忠実表面を再構成することは、近年広く注目を集めている重要かつ実践的な課題である。 しかし、既存の手法は、メモリ制約や地底深度の要求によって妨げられ、満足のいく幾何学的詳細を回復することができない。 この目的のために、SuRFという新しいSurface中心のフレームワークを提案する。これは、マッチングフィールドに基づいた新しいリージョンスペーシングを取り入れ、パフォーマンス、効率、スケーラビリティのトレードオフを良好に達成する。 我々の知る限り、これは導入したマッチングフィールドを利用したエンドツーエンドのスペーシングを実現するための最初の教師なし手法であり、重量分布を利用して表面を含む境界領域を効率的に見つける。 本研究では, 各ボクセルのSDF値を予測する代わりに, ボクセルが表面領域内にあるかどうかを判断して, 体積をスパースする新しい領域スカラー化手法を提案する。 このようにして、我々のモデルは、より少ないメモリと計算量で、表面上の高い周波数特性を利用することができる。 複雑な大規模シーンを含む複数のベンチマークの大規模な実験により、我々の再構成は高品質な詳細を示し、新しい最先端性能、すなわち、メモリ消費を80%削減した46%の改善を実現している。 コードはhttps://github.com/prstrive/SuRF.comで入手できる。

関連論文リスト

• NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction [63.85586195085141]
  サイン付き距離関数 (SDF) を用いたボリュームレンダリングは, 表面再構成において有意な機能を示した。 ニューロディン(NeuRodin)は、新しい2段階の神経表面再構成フレームワークである。 NeuRodinは高忠実な表面再構成を実現し、密度ベース手法の柔軟な最適化特性を維持している。
  論文  参考訳（メタデータ） (2024-08-19T17:36:35Z)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse Input Views [41.03837477483364]
  本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。 具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。 DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2023-12-21T16:04:45Z)
• 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)
• Multi-View Stereo Representation Revisit: Region-Aware MVSNet [8.264851594332677]
  深層学習に基づく多視点ステレオは,全幾何学的詳細オブジェクトを多視点から再構成するための強力なパラダイムとして登場した。 本研究では, RA-MVSNetを用いて, モデルがより広い範囲の表面を知覚できるように, 点-面間距離の利点を生かし, RA-MVSNetを提案する。 提案するRA-MVSNetは,表面のパッチと仮説平面を関連付けることにより知覚範囲が拡張されるため,パッチアワードである。
  論文  参考訳（メタデータ） (2023-04-26T15:17:51Z)
• Grid-guided Neural Radiance Fields for Large Urban Scenes [146.06368329445857]
  近年のアプローチでは、シーンを地理的に分割し、複数のサブNeRFを採用して各領域を個別にモデル化する手法が提案されている。 もう一つの解決策は、計算効率が良く、大きなシーンに自然にスケールできる機能グリッド表現を使用することである。 本稿では,大規模都市における高忠実度レンダリングを実現し,計算効率を向上する枠組みを提案する。
  論文  参考訳（メタデータ） (2023-03-24T13:56:45Z)
• 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)
• 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)

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。