論文の概要: Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details
- arxiv url: http://arxiv.org/abs/2511.14539v1
- Date: Tue, 18 Nov 2025 14:43:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.158362
- Title: Learning Compact Latent Space for Representing Neural Signed Distance Functions with High-fidelity Geometry Details
- Title（参考訳）: 高忠実度幾何情報を用いたニューラルサイン付き距離関数表現のためのコンパクト潜時空間の学習
- Authors: Qiang Bai, Bojian Wu, Xi Yang, Zhizhong Han,
- Abstract要約: ニューラルサイン付き距離関数(SDF)は、ニューラルネットワークを用いた3次元形状やシーンを表現する上で重要な表現である。
本稿では,複数のSDFを共通空間で表現する手法を提案する。
トレーニングクエリのサンプル化のための新しいサンプリング戦略も導入する。
- 参考スコア（独自算出の注目度）: 43.51251320173216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural signed distance functions (SDFs) have been a vital representation to represent 3D shapes or scenes with neural networks. An SDF is an implicit function that can query signed distances at specific coordinates for recovering a 3D surface. Although implicit functions work well on a single shape or scene, they pose obstacles when analyzing multiple SDFs with high-fidelity geometry details, due to the limited information encoded in the latent space for SDFs and the loss of geometry details. To overcome these obstacles, we introduce a method to represent multiple SDFs in a common space, aiming to recover more high-fidelity geometry details with more compact latent representations. Our key idea is to take full advantage of the benefits of generalization-based and overfitting-based learning strategies, which manage to preserve high-fidelity geometry details with compact latent codes. Based on this framework, we also introduce a novel sampling strategy to sample training queries. The sampling can improve the training efficiency and eliminate artifacts caused by the influence of other SDFs. We report numerical and visual evaluations on widely used benchmarks to validate our designs and show advantages over the latest methods in terms of the representative ability and compactness.
- Abstract（参考訳）: ニューラルサイン付き距離関数(SDF)は、ニューラルネットワークを用いた3次元形状やシーンを表現する上で重要な表現である。
SDFは暗黙の関数で、署名された距離を特定の座標で問い合わせて3D表面を復元することができる。
暗黙の関数は単一の形状やシーンでうまく機能するが、複数のSDFを高忠実度な幾何学的詳細で解析する際に障害となる。
これらの障害を克服するために,よりコンパクトな潜在表現で高忠実度な幾何学的詳細を復元することを目的として,複数のSDFを共通空間で表現する手法を提案する。
私たちのキーとなる考え方は、コンパクトな潜伏符号で高忠実度な幾何学的詳細を保ちながら、一般化と過適合に基づく学習戦略の利点を最大限に活用することである。
このフレームワークをベースとして,トレーニングクエリをサンプリングするための新しいサンプリング戦略も導入する。
サンプリングはトレーニング効率を向上し、他のSDFの影響によるアーティファクトを除去することができる。
本稿では,我々の設計を検証し,代表的能力とコンパクト性の観点から,最新の手法に対する優位性を示すため,広く使用されているベンチマークの数値的および視覚的評価について報告する。
関連論文リスト
- Few-Shot Unsupervised Implicit Neural Shape Representation Learning with Spatial Adversaries [8.732260277121547]
Inlicit Neural Representationsは、複雑なデータモダリティをキャプチャする強力なフレームワークとして注目されている。
3次元形状表現の領域内では、ニューラルネットワーク符号距離関数(SDF)は複雑な形状幾何を忠実に符号化する顕著な可能性を示している。
論文 参考訳（メタデータ） (2024-08-27T14:54:33Z) - A Lightweight UDF Learning Framework for 3D Reconstruction Based on Local Shape Functions [42.840655419509346]
本稿では,局所形状関数を利用して3次元点雲から表面を再構成する新しいニューラルネットワーク,LoSF-UDFを提案する。
本手法は, 従来の手法と比較して, 点雲におけるノイズや外れ値に対する耐性が向上していることを示す。
論文 参考訳（メタデータ） (2024-07-01T14:39:03Z) - Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。
我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
論文 参考訳（メタデータ） (2023-09-19T05:44:00Z) - NeuralUDF: Learning Unsigned Distance Fields for Multi-view
Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。
本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
論文 参考訳（メタデータ） (2022-11-25T15:21:45Z) - CAP-UDF: Learning Unsigned Distance Functions Progressively from Raw Point Clouds with Consistency-Aware Field Optimization [54.69408516025872]
CAP-UDFは、生の点雲から一貫性を考慮したUDFを学ぶための新しい方法である。
我々は、クエリと近似曲面の関係を徐々に推測するようにニューラルネットワークを訓練する。
学習されたUDFの勾配を用いて表面を抽出する多角化アルゴリズムも導入する。
論文 参考訳（メタデータ） (2022-10-06T08:51:08Z) - FIRe: Fast Inverse Rendering using Directional and Signed Distance
Functions [97.5540646069663]
指向性距離関数(DDF)と呼ばれる新しいニューラルシーン表現を導入する。
DDFは単位球上で定義され、任意の方向に沿って表面までの距離を予測する。
提案手法はDDFに基づいて,提案した深度マップから3次元形状を再構成する高速アルゴリズム (FIRe) を提案する。
論文 参考訳（メタデータ） (2022-03-30T13:24:04Z) - High-fidelity 3D Model Compression based on Key Spheres [6.59007277780362]
明示的な鍵球を入力として用いたSDF予測ネットワークを提案する。
提案手法は,高忠実かつ高圧縮な3次元オブジェクトの符号化と再構成を実現する。
論文 参考訳（メタデータ） (2022-01-19T09:21:54Z) - 3D Shapes Local Geometry Codes Learning with SDF [8.37542758486152]
3次元形状記述としての符号付き距離関数(SDF)は、描画と再構成のための3次元幾何学を表現する最も効果的な手法の1つである。
本稿では,DeepSDFモデルのキャパシティ低下から生じる復元の劣化問題について考察する。
本稿では,局所形状から学習することで,元のDeepSDF結果を改善するモデルであるローカル幾何符号学習(LGCL)を提案する。
論文 参考訳（メタデータ） (2021-08-19T09:56:03Z)
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。