論文の概要: NeuralSSD: A Neural Solver for Signed Distance Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2511.14283v1
• Date: Tue, 18 Nov 2025 09:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.033153
• Title: NeuralSSD: A Neural Solver for Signed Distance Surface Reconstruction
• Title（参考訳）: NeuralSSD: 符号付き距離表面再構成のためのニューラルソルバー
• Authors: Zi-Chen Xi, Jiahui Huang, Hao-Xiang Chen, Francis Williams, Qun-Ce Xu, Tai-Jiang Mu, Shi-Min Hu,
• Abstract要約: インプリシット法は、形状を正確に表現する能力と、トポロジカルな変化に対処する堅牢性のために好まれる。 本稿では,点雲情報の信頼性のバランスをとる新しいエネルギー方程式を提案する。 より優れた最適化結果を得るために,3次元情報を学習する新しい畳み込みネットワークを導入する。
• 参考スコア（独自算出の注目度）: 34.55776349064238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We proposed a generalized method, NeuralSSD, for reconstructing a 3D implicit surface from the widely-available point cloud data. NeuralSSD is a solver-based on the neural Galerkin method, aimed at reconstructing higher-quality and accurate surfaces from input point clouds. Implicit method is preferred due to its ability to accurately represent shapes and its robustness in handling topological changes. However, existing parameterizations of implicit fields lack explicit mechanisms to ensure a tight fit between the surface and input data. To address this, we propose a novel energy equation that balances the reliability of point cloud information. Additionally, we introduce a new convolutional network that learns three-dimensional information to achieve superior optimization results. This approach ensures that the reconstructed surface closely adheres to the raw input points and infers valuable inductive biases from point clouds, resulting in a highly accurate and stable surface reconstruction. NeuralSSD is evaluated on a variety of challenging datasets, including the ShapeNet and Matterport datasets, and achieves state-of-the-art results in terms of both surface reconstruction accuracy and generalizability.
• Abstract（参考訳）: 我々は、広く利用可能な点雲データから3次元暗黙の面を再構成するための一般化された方法であるNeuralSSDを提案した。 NeuralSSDは、入力点雲から高品質で正確な表面を再構築することを目的とした、ニューラル・ガレルキン法に基づくソルバである。 インプリシット法は、形状を正確に表現する能力と、トポロジカルな変化に対処する堅牢性のために好まれる。 しかし、既存の暗黙のフィールドのパラメータ化は、表面と入力データの密着性を確保するための明示的なメカニズムを欠いている。 そこで本研究では,点雲情報の信頼性のバランスをとるエネルギー方程式を提案する。 さらに,より優れた最適化結果を得るために,3次元情報を学習する新たな畳み込みネットワークを導入する。 このアプローチは、再構成された表面が生の入力点に密着することを保証し、点雲から貴重な帰納バイアスを推測し、非常に正確で安定した表面再構成をもたらす。 NeuralSSDは、ShapeNetやMatterportといった、さまざまな困難なデータセットで評価されており、表面再構成の精度と一般化性の両方の観点から、最先端の結果を達成する。

関連論文リスト

• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Enhancing Surface Neural Implicits with Curvature-Guided Sampling and Uncertainty-Augmented Representations [37.42624848693373]
  本研究では,高忠実度3次元再構成作業において,深度画像を直接消化する手法を提案する。 高効率なトレーニングデータを生成するため,簡単なサンプリング手法を提案する。 その単純さにもかかわらず、本手法は古典的および学習的ベースラインの両方に優れる。
  論文  参考訳（メタデータ） (2023-06-03T12:23:17Z)
• 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)
• Recovering Fine Details for Neural Implicit Surface Reconstruction [3.9702081347126943]
  そこで我々はD-NeuSを提案する。D-NeuSは、微細な幾何学的詳細を復元できるボリュームレンダリング型ニューラル暗示表面再構成法である。 我々は,SDFゼロクロスの補間により表面点に多視点の特徴的整合性を付与する。 本手法は,高精度な表面を細部で再構成し,その性能を向上する。
  論文  参考訳（メタデータ） (2022-11-21T10:06:09Z)
• Learning Modified Indicator Functions for Surface Reconstruction [10.413340575612233]
  正規化のない原点雲からの暗黙的表面再構成のための学習に基づくアプローチを提案する。 我々の手法はポテンシャルエネルギー理論においてガウス・レムマにインスパイアされ、指標関数に対して明示的な積分公式を与える。 我々は、表面積分を行うための新しいディープニューラルネットワークを設計し、修正されたインジケータ関数を、不向きでノイズの多い点群から学習する。
  論文  参考訳（メタデータ） (2021-11-18T05:30:35Z)
• NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction [88.02850205432763]
  物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。 DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。 本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。 マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-20T12:59:42Z)
• UNISURF: Unifying Neural Implicit Surfaces and Radiance Fields for Multi-View Reconstruction [61.17219252031391]
  ニューラル暗黙的3D表現を用いた多視点画像から表面を再構築する新しい手法を提案する。 我々の重要な洞察は、暗黙の曲面モデルと放射場を統一的に定式化し、表面および体積のレンダリングを可能にすることである。 実験により, マスクを必要とせず, idrと同等の性能を保ちつつ, 再構成品質でnrfを上回った。
  論文  参考訳（メタデータ） (2021-04-20T15:59:38Z)
• Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations [21.64457003420851]
  我々は,幾何認識によるサンプリングと正規化を課すことができるハイブリッドニューラルサーフェス表現を開発した。 本手法は、多視点画像や点群から神経暗黙面を再構築する技術を改善するために適用できることを実証する。
  論文  参考訳（メタデータ） (2020-12-11T15:51:04Z)

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。