論文の概要: NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds
- arxiv url: http://arxiv.org/abs/2411.17392v1
- Date: Tue, 26 Nov 2024 12:54:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:34:53.739986
- Title: NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds
- Title(参考訳): NumGrad-Pull:点雲からの表面再構成のための数値勾配誘導三面表現
- Authors: Ruikai Cui, Shi Qiu, Jiawei Liu, Saeed Anwar, Nick Barnes,
- Abstract要約: 無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。
最近の進歩は、ニューラルサインされた距離関数をトレーニングして、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。
我々は三面構造の表現能力を活用して符号付き距離関数の学習を高速化するNumGrad-Pullを導入する。
- 参考スコア(独自算出の注目度): 41.723434094309184
- License:
- Abstract: Reconstructing continuous surfaces from unoriented and unordered 3D points is a fundamental challenge in computer vision and graphics. Recent advancements address this problem by training neural signed distance functions to pull 3D location queries to their closest points on a surface, following the predicted signed distances and the analytical gradients computed by the network. In this paper, we introduce NumGrad-Pull, leveraging the representation capability of tri-plane structures to accelerate the learning of signed distance functions and enhance the fidelity of local details in surface reconstruction. To further improve the training stability of grid-based tri-planes, we propose to exploit numerical gradients, replacing conventional analytical computations. Additionally, we present a progressive plane expansion strategy to facilitate faster signed distance function convergence and design a data sampling strategy to mitigate reconstruction artifacts. Our extensive experiments across a variety of benchmarks demonstrate the effectiveness and robustness of our approach. Code is available at https://github.com/CuiRuikai/NumGrad-Pull
- Abstract(参考訳): 無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。
最近の進歩は、予測された符号付き距離とネットワークによって計算された解析的勾配に従って、ニューラルネットワークの符号付き距離関数をトレーニングし、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。
本稿では, 3面構造の表現能力を活用して, 符号付き距離関数の学習を加速し, 表面再構成における局所的詳細性を高めるNumGrad-Pullを紹介する。
格子型三面体の訓練安定性をさらに向上するため,従来の解析計算に代えて数値勾配を利用する方法を提案する。
さらに,署名された距離関数の収束を高速化するプログレッシブ平面展開戦略を提案し,再構成アーティファクトを緩和するためのデータサンプリング戦略を設計する。
さまざまなベンチマークで大規模な実験を行い、このアプローチの有効性と堅牢性を示しました。
コードはhttps://github.com/CuiRuikai/NumGrad-Pullで入手できる。
関連論文リスト
- Learning Unsigned Distance Fields from Local Shape Functions for 3D Surface Reconstruction [42.840655419509346]
本稿では, 局所形状関数を利用してUDFを学習し, 3次元点雲から表面を再構成する新しいニューラルネットワーク, LoSF-UDFを提案する。
3D形状は局所的な領域で単純なパターンを示すので、ポイントクラウドパッチのトレーニングデータセットを作成するのに役立ちます。
提案手法は,各問合せ点付近の特定の半径内の特徴を学習し,注意機構を用いてUDF推定の重要な特徴に焦点をあてる。
論文 参考訳(メタデータ) (2024-07-01T14:39:03Z) - Unsupervised Occupancy Learning from Sparse Point Cloud [8.732260277121547]
Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。
本稿では,ニューラルサイン付き距離関数の代わりに占有領域を推定する手法を提案する。
ベースラインに対する暗黙の形状推論を改善する能力と、合成データと実データを用いた最先端技術について強調する。
論文 参考訳(メタデータ) (2024-04-03T14:05:39Z) - GridPull: Towards Scalability in Learning Implicit Representations from
3D Point Clouds [60.27217859189727]
大規模クラウドから暗黙の表現を学習する効率を改善するため,GridPullを提案する。
我々の斬新さは、ニューラルネットワークを使わずにグリッド上に定義された離散距離場の高速な推論にある。
我々は、一様格子を用いて高速グリッド探索を行い、サンプルクエリをローカライズし、木構造内の表面点を整理し、表面への距離の計算を高速化する。
論文 参考訳(メタデータ) (2023-08-25T04:52:52Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。
我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。
学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
論文 参考訳(メタデータ) (2022-10-06T08:51:08Z) - Taylor3DNet: Fast 3D Shape Inference With Landmark Points Based Taylor
Series [34.4312460015344]
暗黙的形状表現の推論を高速化するTaylo3DNetを提案する。
Taylor3DNetは、離散的なランドマーク点とその対応するテイラー級数係数を利用して、3次元形状の暗黙の場を表現する。
この効率的な表現に基づいて、Taylor3DNetは従来のネットワークベースの暗黙関数よりもはるかに高速な推論速度を実現する。
論文 参考訳(メタデータ) (2022-01-18T09:47:40Z) - Deep Implicit Surface Point Prediction Networks [49.286550880464866]
暗黙の関数としての3次元形状の深い神経表現は、高忠実度モデルを生成することが示されている。
本稿では,CSP(Nest Surface-point)表現と呼ばれる新しい種類の暗黙の表現を用いて,そのような曲面をモデル化する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-10T14:31:54Z) - Neural-Pull: Learning Signed Distance Functions from Point Clouds by
Learning to Pull Space onto Surfaces [68.12457459590921]
3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。
textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
論文 参考訳(メタデータ) (2020-11-26T23:18:10Z) - Learning Occupancy Function from Point Clouds for Surface Reconstruction [6.85316573653194]
表面から採取した点雲から3次元形状を復元するために, 入射関数に基づく表面再構成が長い間研究されてきた。
本稿では,スパース点雲から占有関数を学習する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-22T02:07:29Z)
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。