論文の概要: Learning Neural Parametric 3D Breast Shape Models for Metrical Surface Reconstruction From Monocular RGB Videos

• arxiv url: http://arxiv.org/abs/2510.13540v1
• Date: Wed, 15 Oct 2025 13:35:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.681148
• Title: Learning Neural Parametric 3D Breast Shape Models for Metrical Surface Reconstruction From Monocular RGB Videos
• Title（参考訳）: 単眼RGB映像からのメートル法表面再構成のためのニューラルパラメトリック3次元乳房形状モデルの学習
• Authors: Maximilian Weiherer, Antonia von Riedheim, Vanessa Brébant, Bernhard Egger, Christoph Palm,
• Abstract要約: 神経パラメトリックな3次元乳房形状モデルを提案し、このモデルに基づいて低コストでアクセス可能な3次元表面再構成パイプラインを導入する。 本手法では,専用ハードウェアもプロプライエタリソフトウェアも必要とせず,RGB動画を録画可能なデバイスでも使用することができる。 導入したパイプラインは2mm未満の誤差範囲で高品質な3D乳房形状を復元できることがわかった。
• 参考スコア（独自算出の注目度）: 6.677454466030832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a neural parametric 3D breast shape model and, based on this model, introduce a low-cost and accessible 3D surface reconstruction pipeline capable of recovering accurate breast geometry from a monocular RGB video. In contrast to widely used, commercially available yet prohibitively expensive 3D breast scanning solutions and existing low-cost alternatives, our method requires neither specialized hardware nor proprietary software and can be used with any device that is able to record RGB videos. The key building blocks of our pipeline are a state-of-the-art, off-the-shelf Structure-from-motion pipeline, paired with a parametric breast model for robust and metrically correct surface reconstruction. Our model, similarly to the recently proposed implicit Regensburg Breast Shape Model (iRBSM), leverages implicit neural representations to model breast shapes. However, unlike the iRBSM, which employs a single global neural signed distance function (SDF), our approach -- inspired by recent state-of-the-art face models -- decomposes the implicit breast domain into multiple smaller regions, each represented by a local neural SDF anchored at anatomical landmark positions. When incorporated into our surface reconstruction pipeline, the proposed model, dubbed liRBSM (short for localized iRBSM), significantly outperforms the iRBSM in terms of reconstruction quality, yielding more detailed surface reconstruction than its global counterpart. Overall, we find that the introduced pipeline is able to recover high-quality 3D breast geometry within an error margin of less than 2 mm. Our method is fast (requires less than six minutes), fully transparent and open-source, and -- together with the model -- publicly available at https://rbsm.re-mic.de/local-implicit.
• Abstract（参考訳）: 本稿では,神経パラメトリックな3次元乳房形状モデルを提案し,このモデルに基づいて,単眼RGBビデオから正確な乳房形状を復元できる低コストでアクセス可能な3次元表面再構成パイプラインを提案する。 広く使われている市販の3D乳房スキャンソリューションや既存の低価格の代替手段とは対照的に,本手法では専用ハードウェアもプロプライエタリソフトウェアも必要とせず,RGBビデオを録画できるデバイスでも使用することができる。 私たちのパイプラインのキーとなるビルディングブロックは、最先端で市販のStructure-from-motionパイプラインで、パラメトリックの胸モデルと組み合わせて、堅牢でメートル法的に正確な表面再構成を行います。 我々のモデルは、最近提案された暗黙のRegensburg Breast Shape Model (iRBSM)と同様に、暗黙の神経表現を利用して乳房の形状をモデル化する。 しかしながら、単一のグローバルなニューラルサイン距離関数(SDF)を使用するIRBSMとは異なり、我々のアプローチは、最近の最先端の顔モデルにインスパイアされて、暗黙の胸領域を複数の小さな領域に分解し、それぞれが解剖学的ランドマーク位置に固定された局所的なニューラルSDFで表される。 表面再構成パイプラインに組み込むと,LIBSM(ローカライズされたIRBSMのショート)と呼ばれるモデルが再現品質においてILBSMよりも優れており,世界規模よりも詳細な表面再構成が得られる。 総じて, 導入したパイプラインは, 2mm未満の誤差範囲で高品質な3D乳房形状を復元できることがわかった。 私たちのメソッドは高速(6分以内)で、完全に透明でオープンソースで、モデルとともにhttps://rbsm.re-mic.de/local-implicitで公開されています。

関連論文リスト

• iRBSM: A Deep Implicit 3D Breast Shape Model [4.875132779794641]
  女性乳房の3次元形状モデルについて検討した。 従来のPCAモデルと比較して、我々のモデルは暗黙のニューラル表現を採用している。 1枚の画像から3次元乳房形状を再構成するプロトタイプアプリケーションを提案する。
  論文  参考訳（メタデータ） (2024-12-17T18:51:27Z)
• ANIM: Accurate Neural Implicit Model for Human Reconstruction from a single RGB-D image [40.03212588672639]
  ANIMは単視点RGB-D画像から任意の3次元形状を前例のない精度で再構成する新しい手法である。 我々のモデルは、深度情報を活用するためにピクセル整列とボクセル整列の両方の機能から幾何学的詳細を学習する。 実験によると、ANIMはRGB、表面正規、ポイントクラウド、RGB-Dデータを入力として使用する最先端の作業よりも優れている。
  論文  参考訳（メタデータ） (2024-03-15T14:45:38Z)
• In-Hand 3D Object Reconstruction from a Monocular RGB Video [17.31419675163019]
  我々の研究は、静止RGBカメラの前で手で保持・回転する3Dオブジェクトを再構築することを目的としている。 暗黙の神経表現を用いて、多視点画像からジェネリックハンドヘルドオブジェクトの形状を復元する従来の手法は、オブジェクトの可視部分において魅力的な結果を得た。
  論文  参考訳（メタデータ） (2023-12-27T06:19:25Z)
• DiViNeT: 3D Reconstruction from Disparate Views via Neural Template Regularization [7.488962492863031]
  本稿では3つの異なるRGB画像を入力として用いたボリュームレンダリングに基づくニューラルサーフェス再構成手法を提案する。 我々のキーとなる考え方は再建を規則化することであり、これは深刻な問題であり、スパースビューの間に大きなギャップを埋めることである。 提案手法は, 従来の手法の中でも, 疎外な視点で, 最高の復元品質を達成できる。
  論文  参考訳（メタデータ） (2023-06-07T18:05:14Z)
• NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
  暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。 本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。 本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
  論文  参考訳（メタデータ） (2022-07-22T10:05:36Z)
• 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)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• PaMIR: Parametric Model-Conditioned Implicit Representation for Image-based Human Reconstruction [67.08350202974434]
  本研究では,パラメトリックボディモデルと自由形深部暗黙関数を組み合わせたパラメトリックモデル記述型暗黙表現(PaMIR)を提案する。 本手法は, 挑戦的なポーズや衣料品のタイプにおいて, 画像に基づく3次元再構築のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-08T02:26:19Z)
• SparseFusion: Dynamic Human Avatar Modeling from Sparse RGBD Images [49.52782544649703]
  本稿では,RGBDフレームのスパース集合に基づく3次元人体形状の再構築手法を提案する。 主な課題は、これらのスパースフレームを標準的な3Dモデルにしっかりと融合させる方法だ。 私たちのフレームワークは柔軟で、潜在的なアプリケーションは形状の再構築を超えています。
  論文  参考訳（メタデータ） (2020-06-05T18:53:36Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。