論文の概要: Geometric Prior-Guided Neural Implicit Surface Reconstruction in the Wild

• arxiv url: http://arxiv.org/abs/2505.07373v1
• Date: Mon, 12 May 2025 09:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.328601
• Title: Geometric Prior-Guided Neural Implicit Surface Reconstruction in the Wild
• Title（参考訳）: 光学的先導型ニューラルインプシット表面再構成
• Authors: Lintao Xiang, Hongpei Zheng, Bailin Deng, Hujun Yin,
• Abstract要約: 暗黙の曲面最適化プロセスに複数の幾何学的制約を適用する新しい手法を提案する。 まず,SfM(Structure-from-motion)からのスパース3Dポイントを用いて,再構成表面の符号付き距離関数推定を改良する。 また、エッジ事前フィルタリングとマルチビュー整合性制約によって強化された正規予測器から導出される頑健な正規事前処理も採用する。
• 参考スコア（独自算出の注目度）: 13.109693095684921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural implicit surface reconstruction using volume rendering techniques has recently achieved significant advancements in creating high-fidelity surfaces from multiple 2D images. However, current methods primarily target scenes with consistent illumination and struggle to accurately reconstruct 3D geometry in uncontrolled environments with transient occlusions or varying appearances. While some neural radiance field (NeRF)-based variants can better manage photometric variations and transient objects in complex scenes, they are designed for novel view synthesis rather than precise surface reconstruction due to limited surface constraints. To overcome this limitation, we introduce a novel approach that applies multiple geometric constraints to the implicit surface optimization process, enabling more accurate reconstructions from unconstrained image collections. First, we utilize sparse 3D points from structure-from-motion (SfM) to refine the signed distance function estimation for the reconstructed surface, with a displacement compensation to accommodate noise in the sparse points. Additionally, we employ robust normal priors derived from a normal predictor, enhanced by edge prior filtering and multi-view consistency constraints, to improve alignment with the actual surface geometry. Extensive testing on the Heritage-Recon benchmark and other datasets has shown that the proposed method can accurately reconstruct surfaces from in-the-wild images, yielding geometries with superior accuracy and granularity compared to existing techniques. Our approach enables high-quality 3D reconstruction of various landmarks, making it applicable to diverse scenarios such as digital preservation of cultural heritage sites.
• Abstract（参考訳）: ボリュームレンダリング技術を用いたニューラル暗黙的表面再構成は、最近、複数の2次元画像から高忠実性表面を作成するために大きな進歩を遂げた。 しかし、現在の手法は主に、一貫した照明と、過渡的な閉塞や様々な外観を持つ制御されていない環境での3D幾何学の正確な再構築に苦慮しているシーンをターゲットにしている。 いくつかのニューラル放射場(NeRF)ベースの変種は、複雑なシーンにおける光度変化や過渡的な物体をよりよく管理できるが、表面の制約が限られているため、正確な表面再構成ではなく、新しいビュー合成のために設計されている。 この制限を克服するために、暗黙の曲面最適化プロセスに複数の幾何学的制約を適用し、制約のない画像コレクションからのより正確な再構成を可能にする新しいアプローチを導入する。 まず,SfM(Structure-from-motion)からのスパース3D点を用いて,再構成面の符号付き距離関数推定を改良し,スパース点の雑音に適応する変位補償を行う。 さらに、エッジ事前フィルタリングと多視点整合性制約により強化された正規予測器から導出される頑健な正規先行法を用いて、実際の表面形状との整合性を改善する。 ヘリテージ・レコンのベンチマークおよび他のデータセットの大規模なテストにより、提案手法は、既存の手法に比べて精度と粒度に優れたジオメトリーが得られる。 本手法により, 各種ランドマークの高品質な3次元復元が可能となり, 文化遺産のデジタル保存などの多様なシナリオに適用できる。

関連論文リスト

• 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)
• Improving Neural Indoor Surface Reconstruction with Mask-Guided Adaptive Consistency Constraints [0.6749750044497732]
  本稿では、ビュー依存色とビュー非依存色を分離する2段階のトレーニングプロセスを提案し、さらに2つの新しい一貫性制約を活用して、余分な事前処理を必要とせず、詳細な再構成性能を向上させる。 合成および実世界のデータセットの実験は、事前推定誤差から干渉を減らす能力を示している。
  論文  参考訳（メタデータ） (2023-09-18T13:05:23Z)
• 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)
• Delicate Textured Mesh Recovery from NeRF via Adaptive Surface Refinement [78.48648360358193]
  画像からテクスチャ化された表面メッシュを生成する新しいフレームワークを提案する。 我々のアプローチは、NeRFを用いて幾何学とビュー依存の外観を効率的に初期化することから始まります。 ジオメトリと共同で外観を洗練し、テクスチャ画像に変換してリアルタイムレンダリングします。
  論文  参考訳（メタデータ） (2023-03-03T17:14:44Z)
• HR-NeuS: Recovering High-Frequency Surface Geometry via Neural Implicit Surfaces [6.382138631957651]
  我々は新しい暗黙表面再構成法であるHigh-Resolution NeuSを提案する。 HR-NeuSは大規模な再構成精度を維持しながら高周波表面形状を復元する。 我々は,DTUおよびBlendedMVSデータセットを用いた実験により,従来の手法と同等の精度で定性的に詳細かつ定量的な3次元測地を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-02-14T02:25:16Z)
• Learning Neural Radiance Fields from Multi-View Geometry [1.1011268090482573]
  画像に基づく3次元再構成のために,多視点幾何アルゴリズムとニューラルレージアンス場(NeRF)を組み合わせたMVG-NeRF(MVG-NeRF)というフレームワークを提案する。 NeRFは暗黙の3D表現の分野に革命をもたらした。
  論文  参考訳（メタデータ） (2022-10-24T08:53:35Z)
• MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
  最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。 これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。 近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
  論文  参考訳（メタデータ） (2022-06-01T17:58:15Z)

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。