論文の概要: Neural Multi-View Self-Calibrated Photometric Stereo without Photometric Stereo Cues
- arxiv url: http://arxiv.org/abs/2507.23162v1
- Date: Wed, 30 Jul 2025 23:56:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:08.912872
- Title: Neural Multi-View Self-Calibrated Photometric Stereo without Photometric Stereo Cues
- Title(参考訳): 光学的ステレオキューを伴わないニューラル多視点自己校正フォトメトリックステレオ
- Authors: Xu Cao, Takafumi Taketomi,
- Abstract要約: 多視点画像から幾何、空間的に異なる反射率、照明条件を共同で再構成するニューラル逆レンダリング手法を提案する。
我々は、幾何と反射の両方をニューラル暗黙の場として表現し、シャドー・アウェア・ボリューム・レンダリングを適用した。
提案手法は、形状と照明推定精度において最先端の正規誘導手法より優れる。
- 参考スコア(独自算出の注目度): 8.270913200307197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a neural inverse rendering approach that jointly reconstructs geometry, spatially varying reflectance, and lighting conditions from multi-view images captured under varying directional lighting. Unlike prior multi-view photometric stereo methods that require light calibration or intermediate cues such as per-view normal maps, our method jointly optimizes all scene parameters from raw images in a single stage. We represent both geometry and reflectance as neural implicit fields and apply shadow-aware volume rendering. A spatial network first predicts the signed distance and a reflectance latent code for each scene point. A reflectance network then estimates reflectance values conditioned on the latent code and angularly encoded surface normal, view, and light directions. The proposed method outperforms state-of-the-art normal-guided approaches in shape and lighting estimation accuracy, generalizes to view-unaligned multi-light images, and handles objects with challenging geometry and reflectance.
- Abstract(参考訳): 方向の異なる照明下で撮影された多視点画像から、幾何学、空間的に異なる反射率、照明条件を共同で再構成するニューラルネットワーク逆レンダリング手法を提案する。
光キャリブレーションを必要とする従来の多視点測光ステレオ法と異なり,本手法では原画像からのシーンパラメータを一段に最適化する。
我々は、幾何と反射の両方をニューラル暗黙の場として表現し、シャドー・アウェア・ボリューム・レンダリングを適用した。
空間ネットワークは、まず、各シーンポイントの符号付き距離及び反射潜時符号を予測する。
反射率ネットワークは、潜時符号で条件付けられた反射率値を推定し、角エンコードされた表面の正規、視界、光方向を推定する。
提案手法は、形状と照明推定精度において最先端の正規誘導手法より優れ、ビューアンアライメントされたマルチライト画像に一般化し、挑戦的な幾何学と反射率でオブジェクトを処理する。
関連論文リスト
- RNb-NeuS: Reflectance and Normal-based Multi-View 3D Reconstruction [3.1820300989695833]
本稿では,光度ステレオにより得られる多視点反射率と正規写像を統合するための多目的パラダイムを提案する。
提案手法では, 反射率と正規度の画素ワイドな共同パラメータ化を, 放射光のベクトルとして用いた。
これは、高い曲率または低い視認性を持つ領域の詳細な3D再構成を大幅に改善する。
論文 参考訳(メタデータ) (2023-12-02T19:49:27Z) - Deep Learning Methods for Calibrated Photometric Stereo and Beyond [86.57469194387264]
光度ステレオは、さまざまなシェーディングキューを持つ複数の画像から物体の表面の正常性を回復する。
深層学習法は、非ランベルト面に対する測光ステレオの文脈において強力な能力を示している。
論文 参考訳(メタデータ) (2022-12-16T11:27:44Z) - A CNN Based Approach for the Point-Light Photometric Stereo Problem [26.958763133729846]
本稿では、遠距離場光度ステレオにおける深部ニューラルネットワークの最近の改良を活用して、現実的な仮定を処理できるCNNベースのアプローチを提案する。
われわれのアプローチは、DiLiGenT実世界のデータセットの最先端よりも優れている。
近距離点光源PSデータに対する我々のアプローチの性能を測定するため、LUCESを「近距離点光のための最初の実世界のデータセット」として紹介する。
論文 参考訳(メタデータ) (2022-10-10T12:57:12Z) - Neural Radiance Fields Approach to Deep Multi-View Photometric Stereo [103.08512487830669]
多視点測光ステレオ問題(MVPS)に対する現代的な解法を提案する。
我々は、光度ステレオ(PS)画像形成モデルを用いて表面配向を取得し、それを多視点のニューラルラディアンス場表現とブレンドして物体の表面形状を復元する。
本手法は,多視点画像のニューラルレンダリングを行い,深部光度ステレオネットワークによって推定される表面の正規性を活用している。
論文 参考訳(メタデータ) (2021-10-11T20:20:03Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳(メタデータ) (2020-12-12T10:33:08Z) - Deep Photometric Stereo for Non-Lambertian Surfaces [89.05501463107673]
我々は、PS-FCNと呼ばれる、校正された測光ステレオのための完全な畳み込みディープネットワークを導入する。
PS-FCNは反射率観測から表面正規へのマッピングを学習し、一般的な等方反射率と未知の等方反射率で表面を処理できる。
光方向が不明な未定のシナリオに対処するため、入力画像から光方向を推定するLCNetという新しい畳み込みネットワークを導入する。
論文 参考訳(メタデータ) (2020-07-26T15:20:53Z) - Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。
まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。
これらの深度マップは、異なるビューを粗く整列するために使用される。
本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-03-27T21:28:54Z)
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。