論文の概要: Dual-Level Precision Edges Guided Multi-View Stereo with Accurate Planarization

• arxiv url: http://arxiv.org/abs/2412.20328v1
• Date: Sun, 29 Dec 2024 02:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:26.568183
• Title: Dual-Level Precision Edges Guided Multi-View Stereo with Accurate Planarization
• Title（参考訳）: 正確な平面化によるデュアルレベル精度エッジ誘導多視点ステレオ
• Authors: Kehua Chen, Zhenlong Yuan, Tianlu Mao, Zhaoqi Wang,
• Abstract要約: 低テクスチャ領域のマルチビューステレオ (MVS) 再構築が注目されている。 従来のMVSメソッドは、オブジェクト境界と限られた知覚範囲をまたぐような問題にしばしば遭遇する。 平面モデル構築のロバスト性を高めるため、細部および粗部を含む二段精度エッジ情報を導入する。 提案手法は,ETH3D と Tanks & Temples ベンチマークの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 3.597821311597427
• License:
• Abstract: The reconstruction of low-textured areas is a prominent research focus in multi-view stereo (MVS). In recent years, traditional MVS methods have performed exceptionally well in reconstructing low-textured areas by constructing plane models. However, these methods often encounter issues such as crossing object boundaries and limited perception ranges, which undermine the robustness of plane model construction. Building on previous work (APD-MVS), we propose the DPE-MVS method. By introducing dual-level precision edge information, including fine and coarse edges, we enhance the robustness of plane model construction, thereby improving reconstruction accuracy in low-textured areas. Furthermore, by leveraging edge information, we refine the sampling strategy in conventional PatchMatch MVS and propose an adaptive patch size adjustment approach to optimize matching cost calculation in both stochastic and low-textured areas. This additional use of edge information allows for more precise and robust matching. Our method achieves state-of-the-art performance on the ETH3D and Tanks & Temples benchmarks. Notably, our method outperforms all published methods on the ETH3D benchmark.
• Abstract（参考訳）: 低テクスチャ領域の再構築は、マルチビューステレオ(MVS)において顕著な研究課題である。 近年,平面モデルの構築による低テクスチャ領域の再構築において,従来のMVS手法は極めてよく機能している。 しかし、これらの手法はしばしば、物体の境界を横切ることや、限られた知覚範囲といった問題に遭遇し、平面モデル構築の堅牢性を損なう。 先行研究(APD-MVS)に基づいてDPE-MVS法を提案する。 細部および粗部を含む2段階の高精度エッジ情報を導入することにより,平面モデル構築の堅牢性を高め,低テクスチャ領域における再現精度を向上させる。 さらに,エッジ情報を活用することにより,従来のPatchMatch MVSにおけるサンプリング戦略を洗練し,確率的および低テクスチャ領域のマッチングコスト計算を最適化する適応パッチサイズ調整手法を提案する。 このエッジ情報の追加使用により、より正確で堅牢なマッチングが可能になる。 提案手法は,ETH3D と Tanks & Temples ベンチマークの最先端性能を実現する。 特に,ETH3Dベンチマークにおいて,提案手法は全手法よりも優れていた。

関連論文リスト

• CrossView-GS: Cross-view Gaussian Splatting For Large-scale Scene Reconstruction [5.528874948395173]
  3D Gaussian Splatting (3DGS) はシーンの表現と再構築に顕著な手法である。 両ブランチ融合に基づく大規模シーン再構成のための新しいクロスビューガウス分割法を提案する。 本手法は,最先端の手法と比較して,新規なビュー合成における優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-01-03T08:24:59Z)
• Dora: Sampling and Benchmarking for 3D Shape Variational Auto-Encoders [87.17440422575721]
  提案する鋭いエッジサンプリング戦略と2つのクロスアテンション機構により,VAEの再構築を促進する新しいアプローチであるDora-VAEを提案する。 VAE再建の品質を体系的に評価するために,シャープエッジの密度を通じて形状複雑性を定量化するベンチマークであるDora-benchを提案する。
  論文  参考訳（メタデータ） (2024-12-23T18:59:06Z)
• GausSurf: Geometry-Guided 3D Gaussian Splatting for Surface Reconstruction [79.42244344704154]
  GausSurfは、テクスチャリッチな領域におけるマルチビュー一貫性と、シーンのテクスチャレスな領域における通常の事前の幾何学的ガイダンスを採用している。 本手法は,再現性や計算時間の観点から,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-11-29T03:54:54Z)
• Multi-Unit Floor Plan Recognition and Reconstruction Using Improved Semantic Segmentation of Raster-Wise Floor Plans [1.0436971860292366]
  MDA-Unet と MACU-Net アーキテクチャに基づく2つの新しい画素分割手法を提案する。 提案手法は他の2つの最先端技術とベンチマークデータセットと比較した。 一般的なCubeCasaベンチマークデータセットでは,5つのクラスに対して平均F1スコアが0.86に達している。
  論文  参考訳（メタデータ） (2024-08-02T18:36:45Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• SD-MVS: Segmentation-Driven Deformation Multi-View Stereo with Spherical Refinement and EM optimization [6.886220026399106]
  テクスチャレス領域の3次元再構成における課題を解決するために,多視点ステレオ (SD-MVS) を導入する。 私たちは、シーン内のセグメンテーションインスタンスを区別するためにSAM(Segment Anything Model)を採用した最初の人です。 球面座標と正規点の勾配勾配と深度の画素方向探索間隔を組み合わせた独自の精細化戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-12T05:25:57Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。 そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。 また,水平深度と比表現に適した教師なし適応手法を提案する。 本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• MP-MVS: Multi-Scale Windows PatchMatch and Planar Prior Multi-View Stereo [7.130834755320434]
  レジリエントで効果的なマルチビューステレオアプローチ(MP-MVS)を提案する。 マルチスケールウィンドウPatchMatch (mPM) を設計し, 信頼性の高い非テクスチャ領域の深さを求める。 他のマルチスケールアプローチとは対照的に、より高速で、PatchMatchベースのMVSアプローチに容易に拡張できる。
  論文  参考訳（メタデータ） (2023-09-23T07:30:42Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)

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。