論文の概要: Sat-DN: Implicit Surface Reconstruction from Multi-View Satellite Images with Depth and Normal Supervision
- arxiv url: http://arxiv.org/abs/2502.08352v1
- Date: Wed, 12 Feb 2025 12:27:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 18:10:00.977184
- Title: Sat-DN: Implicit Surface Reconstruction from Multi-View Satellite Images with Depth and Normal Supervision
- Title（参考訳）: Sat-DN:奥行きと正規監督による多視点衛星画像からの入射表面再構成
- Authors: Tianle Liu, Shuangming Zhao, Wanshou Jiang, Bingxuan Guo,
- Abstract要約: 高解像度衛星画像はますますアクセスしやすくなり、高速かつ位置に依存しない地上モデルの再構築が可能になった。
従来のステレオマッチング手法は細部を捉えるのに苦労するが、ニューラルレイディアンス場(NeRF)は高品質な再構成を実現する。
そこで我々は,Sat-DNを提案する。Sat-DNは,段階的に訓練されたマルチ解像度ハッシュグリッド再構築アーキテクチャを活用する新しいフレームワークである。
- 参考スコア（独自算出の注目度）: 1.7999333451993949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With advancements in satellite imaging technology, acquiring high-resolution multi-view satellite imagery has become increasingly accessible, enabling rapid and location-independent ground model reconstruction. However, traditional stereo matching methods struggle to capture fine details, and while neural radiance fields (NeRFs) achieve high-quality reconstructions, their training time is prohibitively long. Moreover, challenges such as low visibility of building facades, illumination and style differences between pixels, and weakly textured regions in satellite imagery further make it hard to reconstruct reasonable terrain geometry and detailed building facades. To address these issues, we propose Sat-DN, a novel framework leveraging a progressively trained multi-resolution hash grid reconstruction architecture with explicit depth guidance and surface normal consistency constraints to enhance reconstruction quality. The multi-resolution hash grid accelerates training, while the progressive strategy incrementally increases the learning frequency, using coarse low-frequency geometry to guide the reconstruction of fine high-frequency details. The depth and normal constraints ensure a clear building outline and correct planar distribution. Extensive experiments on the DFC2019 dataset demonstrate that Sat-DN outperforms existing methods, achieving state-of-the-art results in both qualitative and quantitative evaluations. The code is available at https://github.com/costune/SatDN.
- Abstract（参考訳）: 衛星画像技術の進歩により、高解像度の多視点衛星画像の取得がますますアクセスしやすくなり、迅速かつ位置に依存しない地上モデルの再構築が可能になった。
しかし, 従来のステレオマッチング手法は細部を捉えるのに苦労し, ニューラル放射場(NeRF)は高品質な再構成を実現する一方で, トレーニング時間は禁断的に長い。
さらに、建築ファサードの視認性の低下、画素間の照明やスタイルの違い、衛星画像の弱いテクスチャ化といった課題により、合理的な地形や詳細な建築ファサードの再構築が困難になる。
これらの問題に対処するために,Sat-DNを提案する。Sat-DNは,高度に訓練されたマルチレゾリューション・ハッシュグリッド再構築アーキテクチャを,明示的な深度誘導と表面の正規整合性制約により活用し,再構築品質を向上させる。
マルチレゾリューションハッシュグリッドはトレーニングを加速し、プログレッシブ戦略は学習頻度を漸進的に増加させ、粗い低周波幾何学を用いて微細な高周波詳細の再構築を誘導する。
深さと正規の制約は、明確な建築概要と正確な平面分布を保証する。
DFC2019データセットの大規模な実験により、Sat-DNは既存の手法よりも優れており、質的および定量的評価の両面で最先端の結果が得られた。
コードはhttps://github.com/costune/SatDN.comで公開されている。
関連論文リスト
- Dual-branch Graph Feature Learning for NLOS Imaging [51.31554007495926]
非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。
xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。
提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
論文 参考訳（メタデータ） (2025-02-27T01:49:00Z) - $R^2$-Mesh: Reinforcement Learning Powered Mesh Reconstruction via Geometry and Appearance Refinement [5.810659946867557]
Neural Radiance Fields (NeRF)に基づくメッシュ再構成は、コンピュータグラフィックス、仮想現実、医療画像などの様々なアプリケーションで人気がある。
マルチビュー画像からメッシュを段階的に生成し,最適化する新しいアルゴリズムを提案する。
本手法は,メッシュレンダリングの品質と幾何学的品質の両方において,高い競争力とロバストな性能を提供する。
論文 参考訳（メタデータ） (2024-08-19T16:33:17Z) - VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [73.50359502037232]
VoxNeRFは、ニューラル室内再構成と新しいビュー合成の質と効率を高めるための新しいアプローチである。
本稿では,最も関連性の高い領域に計算資源を割り当てる効率的なボクセル誘導サンプリング手法を提案する。
私たちのアプローチは、ScanNetとScanNet++に関する広範な実験で検証されています。
論文 参考訳（メタデータ） (2023-11-09T11:32:49Z) - Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。
近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。
本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
論文 参考訳（メタデータ） (2023-09-14T12:05:29Z) - Voxurf: Voxel-based Efficient and Accurate Neural Surface Reconstruction [142.61256012419562]
本稿では,ボクセルをベースとした表面再構成手法であるVoxurfを提案する。
ボクサーフは,(1)コヒーレントな粗い形状を達成し,細部を連続的に再現する2段階の訓練手順,2)色-幾何学的依存性を維持する2色ネットワーク,3)ボクセル間の情報伝達を促進する階層的幾何学的特徴などを通じて,上記の課題に対処する。
論文 参考訳（メタデータ） (2022-08-26T14:48:02Z) - Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。
RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
論文 参考訳（メタデータ） (2022-06-07T08:11:22Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳（メタデータ） (2021-06-20T12:59:42Z) - Super-Resolving Beyond Satellite Hardware Using Realistically Degraded
Images [0.23090185577016442]
現実のリモートセンシングペイロードにおける深部SRの利用可能性について,現実的に劣化した衛星画像の再構築におけるSR性能を評価することにより検証する。
本研究では, 強調深度超分解能ネットワーク(EDSR)と呼ばれる最先端のSR技術により, 地上サンプリング距離の低い画像の符号化画素データを復元できることを実証した。
論文 参考訳（メタデータ） (2021-03-10T00:20:33Z) - 3D Surface Reconstruction From Multi-Date Satellite Images [11.84274417463238]
本研究では,複数の衛星画像から点雲を再構成することのできるStructure from Motion (SfM) ベースのパイプラインの拡張を提案する。
衛星画像のコンテキストにおいて、最先端メッシュ再構成アルゴリズムを利用するために必須となるいくつかのステップについて、詳細な説明を提供する。
提案したパイプラインと現在のメッシュアルゴリズムが組み合わさって、完全性と中央値エラーの点で最先端のクラウド再構築アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2021-02-04T09:23:21Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳（メタデータ） (2020-08-03T13:55:39Z)
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。