論文の概要: Non-Rigid Structure-from-Motion via Differential Geometry with Recoverable Conformal Scale

• arxiv url: http://arxiv.org/abs/2510.01665v1
• Date: Thu, 02 Oct 2025 04:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.252651
• Title: Non-Rigid Structure-from-Motion via Differential Geometry with Recoverable Conformal Scale
• Title（参考訳）: 復元可能な等角スケールを持つ微分幾何学による非剛体構造移動
• Authors: Yongbo Chen, Yanhao Zhang, Shaifali Parashar, Liang Zhao, Shoudong Huang,
• Abstract要約: 共形変形下でのNRSfMに対するCon-NRSfMという新しい手法を提案する。 提案手法は,グラフベースのフレームワークにより最適化された2次元画像ワープを用いて,ポイントワイズ再構成を行う。 我々のフレームワークは、他のアプローチでは分離できない深さと等角スケールの制約を分離する。
• 参考スコア（独自算出の注目度）: 17.935227965480475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-rigid structure-from-motion (NRSfM), a promising technique for addressing the mapping challenges in monocular visual deformable simultaneous localization and mapping (SLAM), has attracted growing attention. We introduce a novel method, called Con-NRSfM, for NRSfM under conformal deformations, encompassing isometric deformations as a subset. Our approach performs point-wise reconstruction using 2D selected image warps optimized through a graph-based framework. Unlike existing methods that rely on strict assumptions, such as locally planar surfaces or locally linear deformations, and fail to recover the conformal scale, our method eliminates these constraints and accurately computes the local conformal scale. Additionally, our framework decouples constraints on depth and conformal scale, which are inseparable in other approaches, enabling more precise depth estimation. To address the sensitivity of the formulated problem, we employ a parallel separable iterative optimization strategy. Furthermore, a self-supervised learning framework, utilizing an encoder-decoder network, is incorporated to generate dense 3D point clouds with texture. Simulation and experimental results using both synthetic and real datasets demonstrate that our method surpasses existing approaches in terms of reconstruction accuracy and robustness. The code for the proposed method will be made publicly available on the project website: https://sites.google.com/view/con-nrsfm.
• Abstract（参考訳）: NRSfM(Non-rigid structure-from-motion)は、モノクロ視覚変形可能な同時位置決め・マッピング(SLAM)におけるマッピング課題に対処する有望な技術であり、注目されている。 本研究では, 等尺変形を部分集合として包含し, NRSfM に対する Con-NRSfM という新しい手法を提案する。 提案手法は,グラフベースのフレームワークにより最適化された2次元画像ワープを用いて,ポイントワイズ再構成を行う。 局所平面面や局所線形変形などの厳密な仮定に依存する既存の手法とは異なり,本手法はこれらの制約を排除し,局所的等角スケールを正確に計算する。 さらに,本フレームワークは,他の手法では分離できない深さと形状の制約を分離し,より正確な深さ推定を可能にする。 定式化問題の感度に対処するために、並列分離可能な反復最適化戦略を用いる。 さらに,エンコーダ・デコーダネットワークを利用した自己教師型学習フレームワークを導入し,テクスチャ付き高密度な3次元点雲を生成する。 合成データと実データの両方を用いたシミュレーションおよび実験結果から,本手法は再現精度とロバスト性の観点から既存手法を超越していることが示された。 提案されたメソッドのコードは、プロジェクトのWebサイトで公開される。

関連論文リスト

• Double-Shot 3D Shape Measurement with a Dual-Branch Network for Structured Light Projection Profilometry [14.749887303860717]
  我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。 PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。 提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できる。
  論文  参考訳（メタデータ） (2024-07-19T10:49:26Z)
• Controllable GAN Synthesis Using Non-Rigid Structure-from-Motion [1.7205106391379026]
  本研究では,NRSfM(non-rigid structure-from-motion)と深部生成モデルを組み合わせた手法を提案する。 本稿では,3次元形状の変化に対応する2次元GANの潜在空間における軌跡の発見に有効なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-14T08:37:55Z)
• RISP: Rendering-Invariant State Predictor with Differentiable Simulation and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
  既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。 本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。 提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
  論文  参考訳（メタデータ） (2022-05-11T17:59:51Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)
• Deep Manifold Prior [37.725563645899584]
  本稿では,3次元形状の表面などの多様体構造データに先行する手法を提案する。 この方法で生成された曲面は滑らかであり、ガウス過程を特徴とする制限的な挙動を示し、完全連結および畳み込みネットワークに対して数学的にそのような特性を導出する。
  論文  参考訳（メタデータ） (2020-04-08T20:47:56Z)

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。