論文の概要: Stochastic Poisson Surface Reconstruction with One Solve using Geometric Gaussian Processes
- arxiv url: http://arxiv.org/abs/2503.19136v1
- Date: Mon, 24 Mar 2025 20:47:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:52:50.730582
- Title: Stochastic Poisson Surface Reconstruction with One Solve using Geometric Gaussian Processes
- Title(参考訳): 幾何学的ガウス過程を用いた一解法による確率ポアソン表面の再構成
- Authors: Sidhanth Holalkere, David S. Bindel, Silvia Sellán, Alexander Terenin,
- Abstract要約: 表面再構成は、配向点雲から表面を再構成するための広く用いられるアルゴリズムである。
近年の研究では、ガウス過程モデルによる再構成面への不確実性の導入が提案されている。
その結果、我々のアプローチはよりクリーンで、より原理的で、より柔軟な表面再構築パイプラインを提供することを示している。
- 参考スコア(独自算出の注目度): 48.72107407035312
- License:
- Abstract: Poisson Surface Reconstruction is a widely-used algorithm for reconstructing a surface from an oriented point cloud. To facilitate applications where only partial surface information is available, or scanning is performed sequentially, a recent line of work proposes to incorporate uncertainty into the reconstructed surface via Gaussian process models. The resulting algorithms first perform Gaussian process interpolation, then solve a set of volumetric partial differential equations globally in space, resulting in a computationally expensive two-stage procedure. In this work, we apply recently-developed techniques from geometric Gaussian processes to combine interpolation and surface reconstruction into a single stage, requiring only one linear solve per sample. The resulting reconstructed surface samples can be queried locally in space, without the use of problem-dependent volumetric meshes or grids. These capabilities enable one to (a) perform probabilistic collision detection locally around the region of interest, (b) perform ray casting without evaluating points not on the ray's trajectory, and (c) perform next-view planning on a per-slice basis. They also improve reconstruction quality, by not requiring one to approximate kernel matrix inverses with diagonal matrices as part of intermediate computations. Results show that our approach provides a cleaner, more-principled, and more-flexible stochastic surface reconstruction pipeline.
- Abstract(参考訳): Poisson Surface Reconstruction(ポアソン・サーフェス・リコンストラクション)は、配向した点雲から表面を再構成するアルゴリズムである。
部分表面情報のみを利用可能とするアプリケーションやスキャンのシーケンシャルな実行を容易にするため,最近の研究でガウス過程モデルによる再構成面への不確実性の取り込みが提案されている。
結果のアルゴリズムはまずガウス過程の補間を行い、次に宇宙空間における体積偏微分方程式の集合を解く。
本研究では,最近開発された幾何学的ガウス法を用いて,補間と表面再構成を1段階にまとめる手法を適用した。
得られた再構成された表面サンプルは、問題依存のボリュームメッシュやグリッドを使わずに、局所的に宇宙でクエリすることができる。
これらの能力によって
(a)関心領域の周辺で確率的衝突検出を行う。
(b)光線軌跡に基づかない点を評価せずに光線鋳造を行い、
(c)スライス単位で次回のビュープランニングを行う。
また、中間計算の一部として対角行列を近似するカーネル行列を必要とせず、再構成品質も向上する。
その結果,本手法はよりクリーンで,より先進的で,より柔軟で確率的な表面再構成パイプラインを提供することが示された。
関連論文リスト
- SolidGS: Consolidating Gaussian Surfel Splatting for Sparse-View Surface Reconstruction [48.228533595941556]
この問題に対処するために,SolidGSと呼ばれる新しい手法を提案する。
再構成された幾何は多視点では非常に不整合であることがわかった。
幾何学的正規化と単分子正規化の助けを借りて,スパース面の再構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) (2024-12-19T21:04:43Z) - A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。
提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文 参考訳(メタデータ) (2024-09-07T06:37:23Z) - Topological reconstruction of sampled surfaces via Morse theory [4.166095721909433]
本稿では,点サンプルの注意深いトポロジカルスタディに基づく再構成アルゴリズムを提案する。
三角形や局所暗黙の方程式は中間段階として使われない。
このアルゴリズムは、任意の次元の周囲空間に埋め込まれた境界の有無にかかわらず滑らかな曲面に適用することができる。
論文 参考訳(メタデータ) (2024-05-27T15:14:47Z) - Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。
本稿では,直感的に設計を記述し,設計選択について説明する。
本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
論文 参考訳(メタデータ) (2023-10-31T16:15:13Z) - GradientSurf: Gradient-Domain Neural Surface Reconstruction from RGB
Video [0.0]
GradientSurfはモノクロRGBビデオからのリアルタイム表面再構成のための新しいアルゴリズムである。
ポアソン表面再構成にインスパイアされた提案手法は, 表面, 体積, 配向点雲の密結合に基づく。
屋内の景観復元の課題として, 提案手法は曲面を曲面で再現し, より詳細に再現できることを示した。
論文 参考訳(メタデータ) (2023-10-09T04:54:30Z) - Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-14T15:50:38Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳(メタデータ) (2021-09-10T07:01:15Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - Least squares surface reconstruction on arbitrary domains [30.354512876068085]
2D Savitzky-GolayフィルタとK-nearest近傍カーネルに基づく数値微分の計算法を提案する。
同じ定式化を用いて、線形最小二乗問題として、正書法と直視高の両方を記述する方法を示す。
我々は,合成データと実データの両方において,最先端技術に対する性能向上を実証した。
論文 参考訳(メタデータ) (2020-07-16T21:33:39Z)
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。