論文の概要: Rethinking Directional Parameterization in Neural Implicit Surface Reconstruction
- arxiv url: http://arxiv.org/abs/2409.06923v1
- Date: Wed, 11 Sep 2024 00:44:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 15:57:17.736859
- Title: Rethinking Directional Parameterization in Neural Implicit Surface Reconstruction
- Title(参考訳): ニューラルインシシデント表面再構成における方向パラメータ化の再考
- Authors: Zijie Jiang, Tianhan Xu, Hiroharu Kato,
- Abstract要約: ニューラルな暗示表現を用いた多視点3次元表面再構成は顕著な進歩を遂げた。
しかし、鏡面や複雑な表面を持つ物体の再構成におけるそれらの効果は、一般的に、ビュー依存放射ネットワークで使用される方向パラメータ化に偏っている。
本稿では,これらの制約を統一形式で解決するための,新しいハイブリッド指向パラメータ化を提案する。
- 参考スコア(独自算出の注目度): 7.970528879271508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view 3D surface reconstruction using neural implicit representations has made notable progress by modeling the geometry and view-dependent radiance fields within a unified framework. However, their effectiveness in reconstructing objects with specular or complex surfaces is typically biased by the directional parameterization used in their view-dependent radiance network. {\it Viewing direction} and {\it reflection direction} are the two most commonly used directional parameterizations but have their own limitations. Typically, utilizing the viewing direction usually struggles to correctly decouple the geometry and appearance of objects with highly specular surfaces, while using the reflection direction tends to yield overly smooth reconstructions for concave or complex structures. In this paper, we analyze their failed cases in detail and propose a novel hybrid directional parameterization to address their limitations in a unified form. Extensive experiments demonstrate the proposed hybrid directional parameterization consistently delivered satisfactory results in reconstructing objects with a wide variety of materials, geometry and appearance, whereas using other directional parameterizations faces challenges in reconstructing certain objects. Moreover, the proposed hybrid directional parameterization is nearly parameter-free and can be effortlessly applied in any existing neural surface reconstruction method.
- Abstract(参考訳): ニューラルな暗示表現を用いた多視点3次元表面再構成は、統合されたフレームワーク内の幾何およびビュー依存放射場をモデル化することによって顕著な進歩を遂げた。
しかしながら、鏡面や複雑な表面を持つ物体の再構成におけるそれらの効果は、一般的に、ビュー依存放射ネットワークで使用される方向パラメータ化によってバイアスを受ける。
{\it Viewing direction} と {\it Reflect direction} は、最も一般的に使用される2つの方向パラメータ化であるが、それぞれに制限がある。
通常、観察方向の利用は通常、高度に特異な表面を持つ物体の形状と外観を正しく分離するのに苦労するが、反射方向の使用は凹凸や複雑な構造物の過度に滑らかな再構成をもたらす傾向にある。
本稿では,それらの障害事例を詳細に分析し,それらの制約を統一形式で対処する新しいハイブリッド指向パラメータ化を提案する。
大規模実験では, 対象物を多種多様な材料, 形状, 外観で再構成する上で, 提案したハイブリッド指向パラメータ化は, 一定の対象を再構成する際の課題に直面している。
さらに、提案したハイブリッド指向性パラメータ化は、ほぼパラメータフリーであり、既存のニューラルサーフェス再構成法に懸命に適用することができる。
関連論文リスト
- NeRSP: Neural 3D Reconstruction for Reflective Objects with Sparse Polarized Images [62.752710734332894]
NeRSPはスパース偏光画像を用いた反射面のニューラル3次元再構成技術である。
偏光画像形成モデルと多視点方位整合性から測光的および幾何学的手がかりを導出する。
我々は6つのビューのみを入力として、最先端の表面再構成結果を達成する。
論文 参考訳(メタデータ) (2024-06-11T09:53:18Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳(メタデータ) (2024-05-23T14:39:52Z) - UniSDF: Unifying Neural Representations for High-Fidelity 3D
Reconstruction of Complex Scenes with Reflections [92.38975002642455]
大規模な複雑なシーンをリフレクションで再構成できる汎用3次元再構成手法UniSDFを提案する。
提案手法は,複雑な大規模シーンを細部と反射面で頑健に再構築することができる。
論文 参考訳(メタデータ) (2023-12-20T18:59:42Z) - RNb-NeuS: Reflectance and Normal-based Multi-View 3D Reconstruction [3.1820300989695833]
本稿では,光度ステレオにより得られる多視点反射率と正規写像を統合するための多目的パラダイムを提案する。
提案手法では, 反射率と正規度の画素ワイドな共同パラメータ化を, 放射光のベクトルとして用いた。
これは、高い曲率または低い視認性を持つ領域の詳細な3D再構成を大幅に改善する。
論文 参考訳(メタデータ) (2023-12-02T19:49:27Z) - Ref-NeuS: Ambiguity-Reduced Neural Implicit Surface Learning for
Multi-View Reconstruction with Reflection [24.23826907954389]
Ref-NeuSは反射面の効果を減衰させることで曖昧さを減らすことを目的としている。
本研究では,反射面上での高品質な表面再構成を実現し,その精度を高いマージンで向上することを示す。
論文 参考訳(メタデータ) (2023-03-20T03:08:22Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳(メタデータ) (2022-06-01T17:58:15Z) - Geo-Neus: Geometry-Consistent Neural Implicit Surfaces Learning for
Multi-view Reconstruction [41.43563122590449]
多視点再構成のための幾何一貫性のあるニューラルサーフェス学習を提案する。
提案手法は, 複雑な薄板構造と大きな平滑領域の両方において, 高品質な表面再構成を実現する。
論文 参考訳(メタデータ) (2022-05-31T14:52:07Z) - Multi-view 3D Reconstruction of a Texture-less Smooth Surface of Unknown
Generic Reflectance [86.05191217004415]
表面反射率の不明なテクスチャレス物体の多視点再構成は難しい課題である。
本稿では,コライトスキャナーをベースとした,この問題に対するシンプルで堅牢な解法を提案する。
論文 参考訳(メタデータ) (2021-05-25T01:28:54Z) - UCLID-Net: Single View Reconstruction in Object Space [60.046383053211215]
三次元潜在空間を保存する幾何学的空間の構築は,オブジェクト座標空間における大域的形状規則性と局所的推論を同時に学習する上で有効であることを示す。
ベンチマーク目的でよく使用されるShapeNet合成画像と、我々のアプローチが最先端の画像より優れている実世界の画像の両方を実証する。
論文 参考訳(メタデータ) (2020-06-06T09:15:56Z)
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。