論文の概要: Generative Shape Reconstruction with Geometry-Guided Langevin Dynamics
- arxiv url: http://arxiv.org/abs/2603.27016v1
- Date: Fri, 27 Mar 2026 22:11:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.737339
- Title: Generative Shape Reconstruction with Geometry-Guided Langevin Dynamics
- Title（参考訳）: Geometry-Guided Langevin Dynamics を用いた形状復元
- Authors: Linus Härenstam-Nielsen, Dmitrii Pozdeev, Thomas Dagès, Nikita Araslanov, Daniel Cremers,
- Abstract要約: 不完全またはノイズの多い観測から完全な3次元形状を再構築することは、根本的な問題である。
GG-Langevin: Geometry-Guided Langevin dynamicsは、これらの相補的な視点を統一する確率論的アプローチである。
我々は、GG-Langevinが既存の表面再構成法よりも高い幾何学的精度と、欠落データに対するロバスト性を達成するという広範な実験を通して実証する。
- 参考スコア（独自算出の注目度）: 51.17829461047588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reconstructing complete 3D shapes from incomplete or noisy observations is a fundamentally ill-posed problem that requires balancing measurement consistency with shape plausibility. Existing methods for shape reconstruction can achieve strong geometric fidelity in ideal conditions but fail under realistic conditions with incomplete measurements or noise. At the same time, recent generative models for 3D shapes can synthesize highly realistic and detailed shapes but fail to be consistent with observed measurements. In this work, we introduce GG-Langevin: Geometry-Guided Langevin dynamics, a probabilistic approach that unifies these complementary perspectives. By traversing the trajectories of Langevin dynamics induced by a diffusion model, while preserving measurement consistency at every step, we generatively reconstruct shapes that fit both the measurements and the data-informed prior. We demonstrate through extensive experiments that GG-Langevin achieves higher geometric accuracy and greater robustness to missing data than existing methods for surface reconstruction.
- Abstract（参考訳）: 不完全またはノイズの観測から完全な3次元形状を再構築することは、基本的に不完全であり、形状の可視性と測定整合性のバランスを必要とする。
既存の形状復元法は、理想的な条件下では強い幾何学的忠実性を達成できるが、不完全な測定やノイズを伴う現実的な条件下では失敗する。
同時に、最近の3次元形状の生成モデルは、非常に現実的で詳細な形状を合成することができるが、観測された測定値と一致しない。
本稿では,GG-Langevin: Geometry-Guided Langevin dynamicsを紹介する。
拡散モデルにより誘導されるランゲヴィン力学の軌跡をトラバースすることにより、各ステップで測定一貫性を保ちながら、測定値とデータインフォームド先行値の両方に適合する形状を生成的に再構成する。
我々は、GG-Langevinが既存の表面再構成法よりも高い幾何学的精度と、欠落データに対するロバスト性を達成するという広範な実験を通して実証する。
関連論文リスト
- Joint Geometry-Appearance Human Reconstruction in a Unified Latent Space via Bridge Diffusion [57.09673862519791]
本稿では,幾何学と外観のモデリングを結合潜在表現に統一する新しいフレームワークである textbfJGA-LBD を紹介する。
実験により、JGA-LBDは、幾何学的忠実度と外観品質の両方の観点から、現在の最先端アプローチ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） (2026-01-01T12:48:56Z) - GeoVideo: Introducing Geometric Regularization into Video Generation Model [46.38507581500745]
フレームごとの深度予測による潜時拡散モデルの拡大により,ビデオ生成に幾何正則化損失を導入する。
本手法は, 外観生成と3次元構造モデリングのギャップを埋めることにより, 構造的コヒーレンス・時間的形状, 整合性, 物理的妥当性が向上する。
論文 参考訳（メタデータ） (2025-12-03T05:11:57Z) - Shape Generation via Weight Space Learning [12.429026910048528]
大規模な3次元形状生成モデル内の部分多様体は、トポロジカルな特性や微細な部分の特徴を別々に調整できることを示す。
結果は3次元形状生成と特殊微調整のための新しいアプローチを解き放つための重み空間学習の可能性を強調した。
論文 参考訳（メタデータ） (2025-03-26T15:49:27Z) - NF3DM: Combining Neural Fields and Deformation Models for 3D Non-Rigid Motion Reconstruction [6.851721795186258]
本研究では,非剛性変形形状の非構造観察から時間的コヒーレントな3次元運動を再構成するための,新しいデータ駆動型アプローチを提案する。
我々のゴールは、ゆるい服を着ている人間など、ほぼ等尺変形する形状の高忠実な動き再構成を実現することである。
本手法は, モノクローナルディープビデオから再構成したヒトおよび動物の動き系列に適用することにより, 最先端のアプローチよりも優れる。
論文 参考訳（メタデータ） (2024-12-11T16:24:08Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。
本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
論文 参考訳（メタデータ） (2024-10-02T03:10:38Z) - GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。
本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。
実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
論文 参考訳（メタデータ） (2024-03-15T12:24:36Z)
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。