論文の概要: EdgeGaussians -- 3D Edge Mapping via Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2409.12886v1
• Date: Thu, 19 Sep 2024 16:28:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 12:59:09.692581
• Title: EdgeGaussians -- 3D Edge Mapping via Gaussian Splatting
• Title（参考訳）: EdgeGaussian -- Gaussian Splattingによる3Dエッジマッピング
• Authors: Kunal Chelani, Assia Benbihi, Torsten Sattler, Fredrik Kahl,
• Abstract要約: 最先端の画像ベースの手法は、3Dエッジポイントクラウドを学習し、3Dエッジを適合させる。 提案手法は,3次元エッジ点とそのエッジ方向を明示的に学習することにより,点サンプリングの必要性を回避できる。 以上の結果から,提案手法は最先端技術と同程度の精度と完成度を実現し,精度は桁違いに向上した。
• 参考スコア（独自算出の注目度）: 33.43750488033706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With their meaningful geometry and their omnipresence in the 3D world, edges are extremely useful primitives in computer vision. 3D edges comprise of lines and curves, and methods to reconstruct them use either multi-view images or point clouds as input. State-of-the-art image-based methods first learn a 3D edge point cloud then fit 3D edges to it. The edge point cloud is obtained by learning a 3D neural implicit edge field from which the 3D edge points are sampled on a specific level set (0 or 1). However, such methods present two important drawbacks: i) it is not realistic to sample points on exact level sets due to float imprecision and training inaccuracies. Instead, they are sampled within a range of levels so the points do not lie accurately on the 3D edges and require further processing. ii) Such implicit representations are computationally expensive and require long training times. In this paper, we address these two limitations and propose a 3D edge mapping that is simpler, more efficient, and preserves accuracy. Our method learns explicitly the 3D edge points and their edge direction hence bypassing the need for point sampling. It casts a 3D edge point as the center of a 3D Gaussian and the edge direction as the principal axis of the Gaussian. Such a representation has the advantage of being not only geometrically meaningful but also compatible with the efficient training optimization defined in Gaussian Splatting. Results show that the proposed method produces edges as accurate and complete as the state-of-the-art while being an order of magnitude faster. Code is released at https://github.com/kunalchelani/EdgeGaussians.
• Abstract（参考訳）: 有意義な幾何学と3Dの世界における全知性により、エッジはコンピュータビジョンにおいて非常に有用なプリミティブである。 3次元エッジは線と曲線で構成され、それらを再構成する手法は多視点画像または点雲を入力として使用する。 最先端の画像ベースの手法は、まず3Dエッジポイントクラウドを学習し、3Dエッジを適合させる。 エッジポイント雲は、特定のレベルセット(0または1)に3次元エッジポイントをサンプリングする3次元暗黙のエッジフィールドを学習することにより得られる。 しかし、このような方法には2つの重要な欠点がある。 一 フロート不正確性及び訓練の不正確性により、正確なレベルセットの点を採点することは現実的でない。 代わりに、それらは様々なレベルにサンプリングされるので、ポイントは正確に3Dエッジに横たわらず、さらなる処理を必要とします。 二 このような暗黙の表現は、計算に高価で、長い訓練期間を要する。 本稿では,これらの2つの制約に対処し,よりシンプルで,より効率的に,精度を保った3次元エッジマッピングを提案する。 提案手法は,3次元エッジ点とそのエッジ方向を明示的に学習することにより,点サンプリングの必要性を回避できる。 3次元ガウスの中心として3次元エッジ点を、ガウスの主軸としてエッジ方向を配置する。 そのような表現は、幾何学的に意味を持つだけでなく、ガウススプラッティングで定義された効率的な訓練最適化と互換性があるという利点がある。 以上の結果から,提案手法は最先端技術と同程度の精度と完成度を実現し,精度は桁違いに向上した。 コードはhttps://github.com/kunalchelani/EdgeGaussiansで公開されている。

関連論文リスト

• OpenGaussian: Towards Point-Level 3D Gaussian-based Open Vocabulary Understanding [54.981605111365056]
  本稿では,3次元点レベルの開語彙理解が可能な3次元ガウススティング(3DGS)に基づくOpenGaussianを紹介する。 我々の主な動機は、既存の3DGSベースのオープン語彙法が主に2Dピクセルレベルの解析に焦点を当てていることに起因している。
  論文  参考訳（メタデータ） (2024-06-04T07:42:33Z)
• 3D Neural Edge Reconstruction [61.10201396044153]
  本研究では,線と曲線に焦点をあてて3次元エッジ表現を学習する新しい手法であるEMAPを紹介する。 多視点エッジマップから無符号距離関数(UDF)の3次元エッジ距離と方向を暗黙的に符号化する。 この神経表現の上に、推定されたエッジ点とその方向から3次元エッジを頑健に抽象化するエッジ抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:23:51Z)
• EGGS: Edge Guided Gaussian Splatting for Radiance Fields [3.156444853783626]
  入力画像のエッジを利用するエッジガイドガウス分割法(EGGS)を提案する。 このようなエッジ誘導により、結果として生じるガウス粒子は平坦な領域ではなく、エッジに集中する。 実験により、このような単純なエッジ重み付き損失関数は、いくつかの差分データセットで1sim2$dB程度改善されることが確認された。
  論文  参考訳（メタデータ） (2024-04-14T00:08:56Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.80822249039235]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)
• NeuSG: Neural Implicit Surface Reconstruction with 3D Gaussian Splatting Guidance [59.08521048003009]
  本稿では,3次元ガウススプラッティングから高精細な表面を復元する神経暗黙的表面再構成パイプラインを提案する。 3Dガウススプラッティングの利点は、詳細な構造を持つ高密度の点雲を生成することができることである。 我々は3次元ガウスを極端に薄くすることで、表面に近い中心を引っ張るスケール正則化器を導入する。
  論文  参考訳（メタデータ） (2023-12-01T07:04:47Z)
• SepicNet: Sharp Edges Recovery by Parametric Inference of Curves in 3D Shapes [16.355677959323426]
  本稿では,3次元形状の鋭いエッジを原始曲線として検出・パラメータ化するための新しいディープネットワークであるSepicNetを紹介する。 我々は,一様サンプリングよりも鋭い特徴を捕集する適応点雲サンプリング手法を開発した。
  論文  参考訳（メタデータ） (2023-04-13T13:37:21Z)
• NEF: Neural Edge Fields for 3D Parametric Curve Reconstruction from Multi-view Images [18.303674194874457]
  キャリブレーションされた多視点画像から物体の3次元特徴曲線を再構成する問題について検討する。 ニューラルエッジ場(NEF)と呼ばれる3次元エッジの密度分布を表すニューラル暗黙フィールドを学習する。 NEFは、所定のビューで2次元エッジマップを描画するビューベースのレンダリングロスで最適化され、そのビューの画像から抽出された接地トラスエッジマップと比較される。
  論文  参考訳（メタデータ） (2023-03-14T06:45:13Z)
• MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D Segmentation [91.6658845016214]
  そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。 複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。 その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
  論文  参考訳（メタデータ） (2022-08-18T00:48:15Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)
• 3D Shape Segmentation with Geometric Deep Learning [2.512827436728378]
  本稿では,部分分割問題としてセグメント化全体を解くために,3次元形状の3次元拡張ビューを生成するニューラルネットワークベースのアプローチを提案する。 提案手法は,公開データセットの3次元形状と,フォトグラム法を用いて再構成した実物体を用いて検証する。
  論文  参考訳（メタデータ） (2020-02-02T14:11:16Z)

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。