論文の概要: EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion

• arxiv url: http://arxiv.org/abs/2604.05794v1
• Date: Tue, 07 Apr 2026 12:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.820039
• Title: EfficientMonoHair: Fast Strand-Level Reconstruction from Monocular Video via Multi-View Direction Fusion
• Title（参考訳）: 高能率MonoHair:多視点方向融合による単眼ビデオからの高速ストランドレベル再構成
• Authors: Da Li, Dominik Engel, Deng Luo, Ivan Viola,
• Abstract要約: 暗黙の神経表現は、グローバルな毛髪の形を捉えることができるが、しばしば細粒の細い鎖の細部を保存できない。 本稿では,暗黙的ニューラルネットワークと幾何学的融合を組み合わせたモノクロビデオからのストランドレベルの再構築フレームワークであるEfficientMonoHairを提案する。 提案手法は,最先端の手法に匹敵する品質を実現するとともに,実行効率をほぼ1桁改善する。
• 参考スコア（独自算出の注目度）: 11.985280856105076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strand-level hair geometry reconstruction is a fundamental problem in virtual human modeling and the digitization of hairstyles. However, existing methods still suffer from a significant trade-off between accuracy and efficiency. Implicit neural representations can capture the global hair shape but often fail to preserve fine-grained strand details, while explicit optimization-based approaches achieve high-fidelity reconstructions at the cost of heavy computation and poor scalability. To address this issue, we propose EfficientMonoHair, a fast and accurate framework that combines the implicit neural network with multi-view geometric fusion for strand-level reconstruction from monocular video. Our method introduces a fusion-patch-based multi-view optimization that reduces the number of optimization iterations for point cloud direction, as well as a novel parallel hair-growing strategy that relaxes voxel occupancy constraints, allowing large-scale strand tracing to remain stable and robust even under inaccurate or noisy orientation fields. Extensive experiments on representative real-world hairstyles demonstrate that our method can robustly reconstruct high-fidelity strand geometries with accuracy. On synthetic benchmarks, our method achieves reconstruction quality comparable to state-of-the-art methods, while improving runtime efficiency by nearly an order of magnitude.
• Abstract（参考訳）: ストランドレベルの毛髪形状復元は、仮想人体モデリングとヘアスタイルのデジタル化における基本的な問題である。 しかし、既存の手法は依然として精度と効率の重大なトレードオフに悩まされている。 暗黙的な神経表現は、大域的な毛髪の形状を捉えることができるが、しばしば微細な鎖の細部を保存できないが、明示的な最適化に基づくアプローチは、重い計算とスケーラビリティの低下を犠牲にして、高忠実度再構成を実現する。 この問題に対処するために,暗黙的ニューラルネットワークと多視点幾何融合を組み合わせた高速かつ正確なフレームワークであるEfficientMonoHairを提案する。 本手法では,点雲方向の最適化繰り返し回数を削減する融合パッチに基づくマルチビュー最適化と,ボクセル占有制約を緩和する並列ヘア成長戦略を導入し,不正確な方向場やノイズの方向場であっても大規模ストランドトレースを安定かつ堅牢に維持する。 代表的な実世界のヘアスタイルに関する大規模な実験により,本手法が高精度に高忠実度ストランドジオメトリを再構築できることが実証された。 合成ベンチマークでは, ほぼ一桁の精度で実行効率を向上しながら, 最先端の手法に匹敵する再現性を実現する。

関連論文リスト

• MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
  複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。 本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。 大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
  論文  参考訳（メタデータ） (2025-11-24T14:34:19Z)
• A Saddle Point Remedy: Power of Variable Elimination in Non-convex Optimization [37.51825281790747]
  ローカルなミニマではなく、サドルポイントの拡散は、機械学習の大規模非最適化における障害である。 我々は, 変動除去が, 縮小した景観において, 決定的な最大質量を根本的に再認識することを示した。
  論文  参考訳（メタデータ） (2025-11-03T05:19:43Z)
• HairGS: Hair Strand Reconstruction based on 3D Gaussian Splatting [50.93221272778306]
  人間の髪の復元はコンピュータビジョンにおいて難しい問題である。 多視点画像からストランドレベルの毛髪形状復元を可能にする3DGSフレームワークを拡張した。 提案手法は多種多様なヘアスタイルを頑健に処理し, 1時間以内の効率的な再構築を実現する。
  論文  参考訳（メタデータ） (2025-09-09T14:08:41Z)
• StrandDesigner: Towards Practical Strand Generation with Sketch Guidance [69.14408387191172]
  本稿では,ユーザフレンドリなまま,より細かい制御が可能なスケッチベースストランド生成モデルを提案する。 私たちのフレームワークは、複雑なストランド相互作用や多様なスケッチパターンのモデリングなど、重要な課題に取り組みます。 いくつかのベンチマークデータセットの実験により、我々の手法は現実主義や精度において既存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） (2025-08-03T08:17:50Z)
• Dr.Hair: Reconstructing Scalp-Connected Hair Strands without Pre-training via Differentiable Rendering of Line Segments [23.71057752711745]
  映画やゲーム業界では、現実的な髪型を達成するには、頭皮由来の鎖を使うのが一般的である。 本研究では,事前学習の必要性を解消する最適化手法を提案する。 提案手法は,既存の手法の精度を越え,処理速度を大幅に向上させるとともに,堅牢かつ高精度な逆レンダリングを実現する。
  論文  参考訳（メタデータ） (2024-03-26T08:53:25Z)
• VoxNeRF: Bridging Voxel Representation and Neural Radiance Fields for Enhanced Indoor View Synthesis [73.50359502037232]
  VoxNeRFは、ニューラル室内再構成と新しいビュー合成の質と効率を高めるための新しいアプローチである。 本稿では,最も関連性の高い領域に計算資源を割り当てる効率的なボクセル誘導サンプリング手法を提案する。 私たちのアプローチは、ScanNetとScanNet++に関する広範な実験で検証されています。
  論文  参考訳（メタデータ） (2023-11-09T11:32:49Z)
• 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)
• Towards High Fidelity Monocular Face Reconstruction with Rich Reflectance using Self-supervised Learning and Ray Tracing [49.759478460828504]
  ディープニューラルネットワークエンコーダと異なるレンダリングを組み合わせた手法が、幾何学、照明、反射の非常に高速な単分子再構成の道を開いた。 古典的な最適化ベースのフレームワーク内での単眼顔再構築のためにレイトレースが導入されました。 一般シーンにおける復元品質と堅牢性を大幅に向上させる新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-03-29T08:58:10Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。