論文の概要: NoiseSDF2NoiseSDF: Learning Clean Neural Fields from Noisy Supervision

• arxiv url: http://arxiv.org/abs/2507.13595v1
• Date: Fri, 18 Jul 2025 00:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.162458
• Title: NoiseSDF2NoiseSDF: Learning Clean Neural Fields from Noisy Supervision
• Title（参考訳）: NoiseSDF2NoiseSDF:ノイズスーパービジョンからクリーンニューラルネットワークを学習
• Authors: Tengkai Wang, Weihao Li, Ruikai Cui, Shi Qiu, Nick Barnes,
• Abstract要約: NoiseSDF2NoiseSDFは2次元画像のためのNoss2Noiseパラダイムにインスパイアされている。 我々のアプローチは、ノイズの多い監視を通じてノイズの多い点雲から直接、クリーンなニューラルネットワークSDFを学習することを可能にする。 本研究では,ShapeNet,ABC,Famous,RealデータセットなどのベンチマークにおけるNosureSDF2NoiseSDFの有効性を評価する。
• 参考スコア（独自算出の注目度）: 29.073960248163306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing accurate implicit surface representations from point clouds remains a challenging task, particularly when data is captured using low-quality scanning devices. These point clouds often contain substantial noise, leading to inaccurate surface reconstructions. Inspired by the Noise2Noise paradigm for 2D images, we introduce NoiseSDF2NoiseSDF, a novel method designed to extend this concept to 3D neural fields. Our approach enables learning clean neural SDFs directly from noisy point clouds through noisy supervision by minimizing the MSE loss between noisy SDF representations, allowing the network to implicitly denoise and refine surface estimations. We evaluate the effectiveness of NoiseSDF2NoiseSDF on benchmarks, including the ShapeNet, ABC, Famous, and Real datasets. Experimental results demonstrate that our framework significantly improves surface reconstruction quality from noisy inputs.
• Abstract（参考訳）: ポイントクラウドから正確な暗黙的な表面表現を再構築することは、特に低品質の走査デバイスを使用してデータがキャプチャされる場合、依然として困難な作業である。 これらの点雲は、しばしば大きなノイズを伴い、不正確な表面の再構成をもたらす。 2次元画像に対するNoss2Noiseパラダイムにヒントを得て,この概念を3次元ニューラルネットワークに拡張する新しい手法であるNossSDF2NoiseSDFを導入する。 提案手法は,ノイズの多いSDF表現間のMSE損失を最小限に抑えることで,ノイズの多い点群からニューラルなSDFを直接学習することを可能にする。 本研究では,ShapeNet,ABC,Famous,RealデータセットなどのベンチマークにおけるNosureSDF2NoiseSDFの有効性を評価する。 実験により,本フレームワークはノイズ入力による表面再構成品質を著しく向上することが示された。

関連論文リスト

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Learning Signed Distance Functions from Noisy 3D Point Clouds via Noise to Noise Mapping [52.25114448281418]
  3Dポイントクラウドから署名付き距離関数(SDF)を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真実管理を必要とせず,ノイズからノイズへのマッピングを通じてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高度に正確なSDFを、その多重または単一ノイズの点雲観測から推測することができる。
  論文  参考訳（メタデータ） (2023-06-02T09:52:04Z)
• Semantic Scene Completion with Cleaner Self [93.99441599791275]
  セマンティックシーンコンプリート(SSC)は、単一のビュー深さと/またはRGB 2Dピクセルの画像を3Dボクセルに変換し、それぞれのセマンティックラベルが予測される。 SSCは、予測モデルが目に見える表面の背後にあるものを「想像する」必要があるため、よく知られた偽装問題であり、通常はTrncated Signed Distance Function (TSDF) によって表される。 我々は3Dボクセルを用いて、TSDF-CADと呼ばれる完全な可視表面を生成し、次に「クリーン」なSSCモデルを訓練する。 モデルはノイズフリーなので、期待できる。
  論文  参考訳（メタデータ） (2023-03-17T13:50:18Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• Neural-IMLS: Self-supervised Implicit Moving Least-Squares Network for Surface Reconstruction [42.00765652948473]
  ニューラル・IMLSは、生の点雲からノイズ耐性符号距離関数(SDF)を直接学習する新しい手法である。 IMLSとSDFの相互学習機構の恩恵を受けるニューラルネットワークが収束すると、ゼロレベルセットが基礎となる表面を近似した忠実なSDFが生成されることも証明した。
  論文  参考訳（メタデータ） (2021-09-09T16:37:01Z)
• Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
  3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。 雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。 提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:31:41Z)
• Non-Local Part-Aware Point Cloud Denoising [55.50360085086123]
  本稿では,点群を識別する非局所部分認識ディープニューラルネットワークを提案する。 グラフアテンションモジュールでカスタマイズした非局所学習ユニット(NLU)を設計し、非局所意味論的特徴を適応的にキャプチャする。 雑音発生性能を向上させるため,ノイズ特性をノイズ入力から段階的に抽出するために,一連のNLUをカスケードする。
  論文  参考訳（メタデータ） (2020-03-14T13:51:50Z)

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。