論文の概要: SDFoam: Signed-Distance Foam for explicit surface reconstruction

• arxiv url: http://arxiv.org/abs/2512.16706v1
• Date: Thu, 18 Dec 2025 16:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.148651
• Title: SDFoam: Signed-Distance Foam for explicit surface reconstruction
• Title（参考訳）: SDFoam:明示的な表面再構成のためのサイン付き距離フォーム
• Authors: Antonella Rech, Nicola Conci, Nicola Garau,
• Abstract要約: 暗示距離場(SDF)を用いた明示的ボロノイ図(VD)の学習方法を示す。 結果として得られたモデルでは、フローターが少なく、トポロジーが改善された、鮮明で視界に一貫性のある表面が生成される。 SDFoamというハイブリッドな暗黙的-明示的定式化により、メッシュ再構成精度(Chamfer distance)が大幅に向上し、外観に匹敵する(PSNR, SSIM)。
• 参考スコア（独自算出の注目度）: 8.803067028201387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural radiance fields (NeRF) have driven impressive progress in view synthesis by using ray-traced volumetric rendering. Splatting-based methods such as 3D Gaussian Splatting (3DGS) provide faster rendering by rasterizing 3D primitives. RadiantFoam (RF) brought ray tracing back, achieving throughput comparable to Gaussian Splatting by organizing radiance with an explicit Voronoi Diagram (VD). Yet, all the mentioned methods still struggle with precise mesh reconstruction. We address this gap by jointly learning an explicit VD with an implicit Signed Distance Field (SDF). The scene is optimized via ray tracing and regularized by an Eikonal objective. The SDF introduces metric-consistent isosurfaces, which, in turn, bias near-surface Voronoi cell faces to align with the zero level set. The resulting model produces crisper, view-consistent surfaces with fewer floaters and improved topology, while preserving photometric quality and maintaining training speed on par with RadiantFoam. Across diverse scenes, our hybrid implicit-explicit formulation, which we name SDFoam, substantially improves mesh reconstruction accuracy (Chamfer distance) with comparable appearance (PSNR, SSIM), without sacrificing efficiency.
• Abstract（参考訳）: ニューラルレイディアンス場(NeRF)は、レイトレーシングボリュームレンダリングを用いて、ビュー合成の顕著な進歩を誘導している。 3D Gaussian Splatting(3DGS)のようなスティングベースの手法は、3Dプリミティブをラスタ化することでより高速なレンダリングを実現する。 RadiantFoam (RF)は光線トレーシングを復活させ、露骨なボロノイ図 (VD) で放射を整理することでガウススプラッティングに匹敵するスループットを達成した。 しかし、前述の方法はすべて、正確なメッシュ再構築に苦慮している。 暗黙的距離場(Signed Distance Field, SDF)を用いて, 明示的なVDを共同学習することにより, このギャップに対処する。 シーンはレイトレーシングによって最適化され、アイコン目標によって正規化される。 SDFは、測度一貫性のある等曲面を導入し、その結果、表面に近いボロノイ細胞はゼロレベルセットと整合する。 得られたモデルでは、フローターが少なく、トポロジーが向上し、測光品質を保ち、RadiantFoamと同等のトレーニング速度を維持することができる。 SDFoamという名前のハイブリッドな暗黙的-明示的定式化は、メッシュ再構成精度(Chamfer distance)を大幅に向上し、外観(PSNR、SSIM)に匹敵するが、効率を犠牲にしない。

関連論文リスト

• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• GS-Octree: Octree-based 3D Gaussian Splatting for Robust Object-level 3D Reconstruction Under Strong Lighting [4.255847344539736]
  我々はオクツリーに基づく暗黙的な表面表現とガウススプラッティングを組み合わせた新しいアプローチを導入する。 SDFによる3次元ガウス分布を利用した本手法は,特に高輝度光による特徴強調画像において,より正確な形状を再構成する。
  論文  参考訳（メタデータ） (2024-06-26T09:29:56Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
  本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T03:46:59Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)

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。