論文の概要: Robust Bayesian Scene Reconstruction by Leveraging Retrieval-Augmented Priors

• arxiv url: http://arxiv.org/abs/2411.19461v1
• Date: Fri, 29 Nov 2024 04:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:03.247277
• Title: Robust Bayesian Scene Reconstruction by Leveraging Retrieval-Augmented Priors
• Title（参考訳）: Retrieval-Augmented Priors を用いたロバストベイズシーンの再構成
• Authors: Herbert Wright, Weiming Zhi, Matthew Johnson-Roberson, Tucker Hermans,
• Abstract要約: 単一のRGBD画像から多目的シーンを再構成する問題に焦点をあてる。 この問題に対する現在のディープラーニングアプローチは、現実の観測に難航する可能性がある。 既存のメッシュデータセットを活用可能な再構成手法BRRPを提案する。
• 参考スコア（独自算出の注目度）: 17.05305897044699
• License:
• Abstract: Constructing 3D representations of object geometry is critical for many downstream manipulation tasks. These representations must be built from potentially noisy partial observations. In this work we focus on the problem of reconstructing a multi-object scene from a single RGBD image. Current deep learning approaches to this problem can be brittle to noisy real world observations and out-of-distribution objects. Other approaches that do not rely on training data cannot accurately infer the backside of objects. We propose BRRP, a reconstruction method that can leverage preexisting mesh datasets to build an informative prior during robust probabilistic reconstruction. In order to make our method more efficient, we introduce the concept of retrieval-augmented prior, where we retrieve relevant components of our prior distribution during inference. Our method produces a distribution over object shape that can be used for reconstruction or measuring uncertainty. We evaluate our method in both procedurally generated scenes and in real world scenes. We show our method is more robust than a deep learning approach while being more accurate than a method with an uninformative prior.
• Abstract（参考訳）: オブジェクト幾何学の3次元表現を構成することは、多くの下流操作タスクにとって重要である。 これらの表現は、潜在的にノイズのある部分的な観測から構築されなければならない。 本研究では,1枚のRGBD画像から多目的シーンを再構成する問題に焦点をあてる。 この問題に対する現在のディープラーニングアプローチは、現実の観測や配布外オブジェクトに難航する可能性がある。 トレーニングデータに依存しない他のアプローチでは、オブジェクトの裏側を正確に推測することはできない。 本稿では,既存のメッシュデータセットを活用して,頑健な確率的再構成を行うためのBRRPを提案する。 提案手法をより効率的にするため,提案手法では,事前分布の関連成分を推論中に検索する検索拡張前の概念を導入している。 本手法は, 復元や不確実性の測定に使用できる物体形状の分布を生成する。 本手法は,プロシージャ生成シーンと実世界のシーンの両方で評価する。 提案手法は深層学習手法よりも頑健であり,非形式的先行手法よりも精度が高いことを示す。

関連論文リスト

• ObjectCarver: Semi-automatic segmentation, reconstruction and separation of 3D objects [44.38881095466177]
  複数の画像から3次元表面を再構成する際、暗黙の神経磁場は顕著な進歩を遂げた。 これまでの研究は、署名された距離フィールドを個別に訓練するフレームワークを導入して、この問題に対処しようと試みてきた。 一つのビューで単に入力をクリックすることからオブジェクト分離の問題に取り組むために、ObjectCarverというメソッドを導入します。
  論文  参考訳（メタデータ） (2024-07-26T22:13:20Z)
• What You See Is What You Detect: Towards better Object Densification in 3D detection [2.3436632098950456]
  広く使われているフル形状のコンプリートアプローチは、特に遠く離れた物や歩行者のような小さな物に対して、エラーのアップバウンドを高くする。 従来の手法が生成した予測ポイントの11.3%しか必要としない可視部分補完法を提案する。 密表現を復元するために,目に見える前景オブジェクトに関連付けられた点集合を拡大するメッシュデフォーメーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-10-27T01:46:37Z)
• A Fusion of Variational Distribution Priors and Saliency Map Replay for Continual 3D Reconstruction [1.2289361708127877]
  単一画像からの3次元物体形状の予測に焦点をあてた研究課題である。 このタスクは、形状の可視部分と隠蔽部分の両方を予測するために、重要なデータ取得を必要とする。 本稿では,従来のクラスを新しいクラスで学習した後でも合理的に再構築できる変分優先を用いたモデルの設計を目標とする,連続的な学習に基づく3D再構成手法を提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:48:55Z)
• Neural Kernel Surface Reconstruction [80.51581494300423]
  本稿では,大規模でスパースでノイズの多い点雲から3次元暗示面を再構成する新しい手法を提案する。 我々のアプローチは、最近導入されたNeural Kernel Fields表現に基づいている。
  論文  参考訳（メタデータ） (2023-05-31T06:25:18Z)
• Reconstructing Hand-Held Objects from Monocular Video [95.06750686508315]
  本稿では,モノクロ映像から手持ち物体を再構成する手法を提案する。 トレーニングされたネットワークによってオブジェクトの幾何学を直接予測する最近の多くの手法とは対照的に、提案手法ではオブジェクトに先行する学習を一切必要としない。
  論文  参考訳（メタデータ） (2022-11-30T09:14:58Z)
• LocPoseNet: Robust Location Prior for Unseen Object Pose Estimation [69.70498875887611]
  LocPoseNetは、見えないオブジェクトに先立って、ロバストにロケーションを学習することができる。 提案手法は,LINEMOD と GenMOP において,既存の作業よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-29T15:21:34Z)
• Semantic keypoint-based pose estimation from single RGB frames [64.80395521735463]
  一つのRGB画像からオブジェクトの連続6-DoFポーズを推定する手法を提案する。 このアプローチは、畳み込みネットワーク(convnet)によって予測されるセマンティックキーポイントと、変形可能な形状モデルを組み合わせる。 提案手法は,インスタンスベースのシナリオとクラスベースのシナリオの両方に対して,6-DoFオブジェクトのポーズを正確に復元できることを示す。
  論文  参考訳（メタデータ） (2022-04-12T15:03:51Z)
• IFOR: Iterative Flow Minimization for Robotic Object Rearrangement [92.97142696891727]
  IFOR(Iterative Flow Minimization for Robotic Object Rearrangement)は、未知物体の物体再構成問題に対するエンドツーエンドの手法である。 本手法は,合成データのみを訓練しながら,散在するシーンや実世界に適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-01T20:03:56Z)
• ZePHyR: Zero-shot Pose Hypothesis Rating [36.52070583343388]
  本稿では,ゼロショット物体の姿勢推定法を提案する。 提案手法は仮説生成とスコアリングのフレームワークを用いて,トレーニングに使用されていないオブジェクトに一般化するスコアリング関数の学習に重点を置いている。 そこで本研究では,新しい物体のモデルを素早くスキャンして構築することで,本システムをどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2021-04-28T01:48:39Z)
• Next-best-view Regression using a 3D Convolutional Neural Network [0.9449650062296823]
  本論文では,次のベストビュー問題に対するデータ駆動アプローチを提案する。 提案手法は、次のベストビューのbtxtpositionを抑えるために、以前の再構成で3D畳み込みニューラルネットワークを訓練する。 提案手法を2つの実験グループを用いて検証した。
  論文  参考訳（メタデータ） (2021-01-23T01:50:26Z)
• From Points to Multi-Object 3D Reconstruction [71.17445805257196]
  単一のRGB画像から複数の3Dオブジェクトを検出し再構成する方法を提案する。 キーポイント検出器は、オブジェクトを中心点としてローカライズし、9-DoF境界ボックスや3D形状を含む全てのオブジェクト特性を直接予測する。 提示されたアプローチは、軽量な再構築を単一ステージで実行し、リアルタイム能力を持ち、完全に微分可能で、エンドツーエンドのトレーナーブルである。
  論文  参考訳（メタデータ） (2020-12-21T18:52:21Z)

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。