論文の概要: 3D Reconstruction of non-visible surfaces of objects from a Single Depth View -- Comparative Study

• arxiv url: http://arxiv.org/abs/2501.16101v1
• Date: Mon, 27 Jan 2025 14:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:46.571202
• Title: 3D Reconstruction of non-visible surfaces of objects from a Single Depth View -- Comparative Study
• Title（参考訳）: 単一深度から見た物体の非可視面の3次元再構成 -比較研究-
• Authors: Rafał Staszak, Piotr Michałek, Jakub Chudziński, Marek Kopicki, Dominik Belter,
• Abstract要約: 本稿では,1枚のRGB-Dカメラビューから被写体表面の非可視部を再構築するための2つの戦略を比較した。 ShapeNetデータセットのオブジェクトで行った実験では、ビュー依存のMirrorNetが高速で、ほとんどのカテゴリで再構築エラーが少ないことが示されている。
• 参考スコア（独自算出の注目度）: 1.195374325211722
• License:
• Abstract: Scene and object reconstruction is an important problem in robotics, in particular in planning collision-free trajectories or in object manipulation. This paper compares two strategies for the reconstruction of nonvisible parts of the object surface from a single RGB-D camera view. The first method, named DeepSDF predicts the Signed Distance Transform to the object surface for a given point in 3D space. The second method, named MirrorNet reconstructs the occluded objects' parts by generating images from the other side of the observed object. Experiments performed with objects from the ShapeNet dataset, show that the view-dependent MirrorNet is faster and has smaller reconstruction errors in most categories.
• Abstract（参考訳）: シーンとオブジェクトの再構築はロボット工学、特に衝突のない軌道の計画や物体操作において重要な問題である。 本稿では,1枚のRGB-Dカメラビューから被写体表面の非可視部を再構築するための2つの戦略を比較した。 DeepSDFと名付けられた最初の方法は、3次元空間の所定の点の物体表面への符号付き距離変換を予測する。 MirrorNetという名前の2番目の方法は、観測対象の反対側から画像を生成することによって、隠蔽対象の部分を再構成する。 ShapeNetデータセットのオブジェクトで行った実験では、ビュー依存のMirrorNetが高速で、ほとんどのカテゴリで再構築エラーが少ないことが示されている。

関連論文リスト

• Floating No More: Object-Ground Reconstruction from a Single Image [33.34421517827975]
  本研究では,3次元物体形状の再構成を目的とした新しい作業であるORG(Object Restruction with Ground)を紹介する。 提案手法では,2つのコンパクトなピクセルレベル表現を用いて,カメラ,オブジェクト,グラウンドの関係を表現している。
  論文  参考訳（メタデータ） (2024-07-26T17:59:56Z)
• Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
  Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。 ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。 クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
  論文  参考訳（メタデータ） (2024-05-27T07:10:21Z)
• UniSDF: Unifying Neural Representations for High-Fidelity 3D Reconstruction of Complex Scenes with Reflections [87.191742674543]
  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し,全体的な性能を向上する。
  論文  参考訳（メタデータ） (2023-12-20T18:59:42Z)
• ObjectSDF++: Improved Object-Compositional Neural Implicit Surfaces [40.489487738598825]
  近年,多視点3次元再構成のパラダイムとして神経暗黙的表面再構成が注目されている。 以前の作業では、ObjectSDFは、オブジェクト合成ニューラルな暗黙の面の優れたフレームワークを導入しました。 我々はObjectSDF++と呼ばれる新しいフレームワークを提案し、ObjectSDFの限界を克服する。
  論文  参考訳（メタデータ） (2023-08-15T16:35:40Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• Discovering 3D Parts from Image Collections [98.16987919686709]
  本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。 そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。 私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
  論文  参考訳（メタデータ） (2021-07-28T20:29:16Z)
• AutoSweep: Recovering 3D Editable Objectsfrom a Single Photograph [54.701098964773756]
  セマンティックな部分で3Dオブジェクトを復元し、直接編集することを目的としている。 我々の研究は、一般化された立方体と一般化されたシリンダーという、2種類の原始的な形状の物体を回収する試みである。 提案アルゴリズムは,高品質な3Dモデルを復元し,既存手法のインスタンスセグメンテーションと3D再構成の両方で性能を向上する。
  論文  参考訳（メタデータ） (2020-05-27T12:16:24Z)
• CoReNet: Coherent 3D scene reconstruction from a single RGB image [43.74240268086773]
  我々は1つのRBG画像のみを入力として与えられた1つの物体の形状を再構築する深層学習の進歩の上に構築する。 提案する3つの拡張は,(1)局所的な2次元情報を物理的に正しい方法で出力3Dボリュームに伝播するレイトレーシングスキップ接続,(2)翻訳同変モデルの構築を可能にするハイブリッド3Dボリューム表現,(3)全体オブジェクトの形状を捉えるために調整された再構成損失である。 すべての物体がカメラに対して一貫した1つの3次元座標フレームに居住し、3次元空間内では交差しないコヒーレントな再構成を実現する。
  論文  参考訳（メタデータ） (2020-04-27T17:53:07Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。