論文の概要: Leveraging Geometric Prior Uncertainty and Complementary Constraints for High-Fidelity Neural Indoor Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2602.23926v1
• Date: Fri, 27 Feb 2026 11:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.388027
• Title: Leveraging Geometric Prior Uncertainty and Complementary Constraints for High-Fidelity Neural Indoor Surface Reconstruction
• Title（参考訳）: 高忠実性神経内面再構成のための幾何学的事前不確かさと相補的制約の活用
• Authors: Qiyu Feng, Jiwei Shan, Shing Shin Cheng, Hesheng Wang,
• Abstract要約: GPU-SDFは、屋内表面再構成のためのニューラルネットワークの暗黙のフレームワークである。 幾何的な事前不確実性と相補的な制約を利用する。 詳細の再構築を改善し、既存のフレームワークのプラグイン・アンド・プレイ・エンハンスメントとして機能する。
• 参考スコア（独自算出の注目度）: 19.155158073951544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural implicit surface reconstruction with signed distance function has made significant progress, but recovering fine details such as thin structures and complex geometries remains challenging due to unreliable or noisy geometric priors. Existing approaches rely on implicit uncertainty that arises during optimization to filter these priors, which is indirect and inefficient, and masking supervision in high-uncertainty regions further leads to under-constrained optimization. To address these issues, we propose GPU-SDF, a neural implicit framework for indoor surface reconstruction that leverages geometric prior uncertainty and complementary constraints. We introduce a self-supervised module that explicitly estimates prior uncertainty without auxiliary networks. Based on this estimation, we design an uncertainty-guided loss that modulates prior influence rather than discarding it, thereby retaining weak but informative cues. To address regions with high prior uncertainty, GPU-SDF further incorporates two complementary constraints: an edge distance field that strengthens boundary supervision and a multi-view consistency regularization that enforces geometric coherence. Extensive experiments confirm that GPU-SDF improves the reconstruction of fine details and serves as a plug-and-play enhancement for existing frameworks. Source code will be available at https://github.com/IRMVLab/GPU-SDF
• Abstract（参考訳）: 符号付き距離関数によるニューラルな暗黙の表面再構成は大きな進歩を遂げているが、細い構造や複雑な地形などの細部を復元することは、信頼性の低い、またはノイズの多い幾何学的先行性のために難しいままである。 既存のアプローチは、間接的で非効率なこれらの事前をフィルタリングするために最適化中に生じる暗黙的な不確実性に依存しており、高不確かさ領域におけるマスキングの監督は、さらに過度に制約された最適化につながる。 これらの問題に対処するために,幾何学的事前不確実性と相補的制約を利用した室内表面再構成のためのニューラルネットワーク型暗黙フレームワークであるGPU-SDFを提案する。 補助ネットワークを使わずに事前の不確かさを明示的に推定する自己教師付きモジュールを導入する。 この推定に基づいて、我々は、それを捨てるのではなく、事前の影響を変調する不確実性誘導損失を設計し、弱いが情報的な手がかりを保持する。 事前の不確実性の高い領域に対処するため、GPU-SDFはさらに、境界監督を強化するエッジ距離場と、幾何学的コヒーレンスを強制するマルチビュー整合正則化という2つの相補的な制約を取り入れている。 大規模な実験により、GPU-SDFは詳細の再構築を改善し、既存のフレームワークのプラグイン・アンド・プレイ・エンハンスメントとして機能することを確認した。 ソースコードはhttps://github.com/IRMVLab/GPU-SDFで入手できる。

関連論文リスト

• Spinverse: Differentiable Physics for Permeability-Aware Microstructure Reconstruction from Diffusion MRI [1.6863755729554886]
  我々は,dMRI計測を反転させる透過性を考慮した再構成手法であるSpinverseを提案する。 スピンバースは固定された四面体格子上の組織を表し、各内面透過性を学習可能なパラメータとして扱う。 多様な測地を再構成し、配列スケジューリングと正規化がアウトラインのみの解を避けるために重要であることを示す。
  論文  参考訳（メタデータ） (2026-03-04T21:57:40Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• CAGE: Continuity-Aware edGE Network Unlocks Robust Floorplan Reconstruction [24.09888364478496]
  我々は,点-雲密度マップから直接ベクトルフロアプランを再構築する堅牢なフレームワークであるCAGEを提案する。 CAGEは最先端のパフォーマンスを達成し、F1スコアは99.1%(部屋)、91.7%(コーナー)、89.3%(角度)である。
  論文  参考訳（メタデータ） (2025-09-18T22:10:37Z)
• Revisiting the Privacy Risks of Split Inference: A GAN-Based Data Reconstruction Attack via Progressive Feature Optimization [49.32786615205064]
  Split Inference (SI)は、エッジデバイスとクラウドの間の計算を分割することで、レイテンシを低減し、ユーザのプライバシを保護する。 データ再構成攻撃(DRA)の最近の進歩は、SIで交換された中間的特徴を利用して機密入力データを復元できることを明らかにしている。 既存のDRAは一般的に浅いモデルにのみ有効であり、セマンティックな事前を十分に活用できない。 本稿では,プログレッシブ・フィーチャー・オプティマイゼーション(PFO)を用いた新しいGANベースのDRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-28T10:00:39Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• Robust Incremental Structure-from-Motion with Hybrid Features [73.55745864762703]
  本稿では,線とその構造的幾何学的関係を利用した漸進的構造移動システム(SfM)を提案する。 我々のシステムは、SfMの広く使われている点ベースの技術と比較すると、一貫して堅牢で正確である。
  論文  参考訳（メタデータ） (2024-09-29T22:20:32Z)
• PSDF: Prior-Driven Neural Implicit Surface Learning for Multi-view Reconstruction [31.768161784030923]
  このフレームワークは、事前訓練されたMVSネットワークとNISRモデルに固有の内部幾何学的先駆体から外部幾何学的先駆体を利用する。 Tanks and Templesデータセットの実験は、PSDFが複雑な制御されていないシーンで最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-01-23T13:30:43Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Critical Regularizations for Neural Surface Reconstruction in the Wild [26.460011241432092]
  本稿では,高品質でロバストな再構成結果を得るのに,適切な点クラウド監視と幾何正規化が十分であることを示すRegSDFを提案する。 RegSDFは、複雑なトポロジと非構造化カメラ軌道を持つオープンシーンであっても、細部で表面を再構築することができる。
  論文  参考訳（メタデータ） (2022-06-07T08:11:22Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)

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。