論文の概要: SBP-Net: Learning Thin Structure Reconstruction with Sliding-Box Projections

• arxiv url: http://arxiv.org/abs/2606.04251v1
• Date: Tue, 02 Jun 2026 21:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.402965
• Title: SBP-Net: Learning Thin Structure Reconstruction with Sliding-Box Projections
• Title（参考訳）: SBP-Net:スライディングボックス投影による薄膜構造再構成学習
• Authors: Ofir Gilad, Andrei Sharf,
• Abstract要約: 細い3D構造を再構築することは、その空間性、スケールの変化、複雑な幾何学のために困難である。 本研究では, 局所的な深度予測に基づく再構成手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8907108368038215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing thin 3D structures is challenging due to their sparsity, scale variation, and complex geometry. Such structures arise in a wide range of domains, including medical imaging of vascular systems and industrial pipe systems. While recent neural methods perform well on dense surfaces, they often fail to recover fine thin geometries. We propose a reconstruction approach based on local depth projections, which provide an efficient and informative 2D representation of thin structures. Specifically, we traverse the 3D model with a sliding box to generate local orthographic depth projections, which are processed by a neural network to reconstruct missing thin structures in 2D. The local reconstructions are subsequently fused back into the 3D model to produce a coherent and detailed shape. Experiments on pulmonary artery reconstruction from CT volumes and industrial pipeline recovery from synthetic and real scans demonstrate improved preservation of fine structural details over existing methods.
• Abstract（参考訳）: 細い3D構造を再構築することは、その空間性、スケールの変化、複雑な幾何学のために困難である。 このような構造は、血管系や産業管系の医療画像など、幅広い領域に存在している。 最近のニューラル法は密度の高い表面でよく機能するが、細いジオメトリーの回収に失敗することが多い。 本研究では, 局所的な深度予測に基づく再構成手法を提案する。 具体的には、スライディングボックスで3Dモデルを横切り、局所的な直視深度投影を生成し、ニューラルネットワークによって処理され、2次元の薄い構造を再構築する。 その後、局所的な再構築は3Dモデルに融合し、一貫性と詳細な形状を作り出す。 CTボリュームからの肺動脈再建と,合成および実スキャンによる産業用パイプラインの回復実験は,既存の方法よりも微細な構造的詳細を保存できることを実証した。

関連論文リスト

• SPIDER: Structure-Preferential Implicit Deep Network for Biplanar X-ray Reconstruction [30.432335038130866]
  SPIDERは、バイプレーンX線画像からCTボリュームを再構成するための教師付きフレームワークである。 解剖学的制約を再構築プロセスに組み込み、構造的連続性を高め、軟質の人工物を減らす。 提案手法は,ダウンストリームセグメンテーションタスクにおける強力な可能性を示し,パーソナライズされた治療計画と画像誘導型手術ナビゲーションにおけるその有用性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-07-07T06:06:28Z)
• CrossSDF: 3D Reconstruction of Thin Structures From Cross-Sections [23.35977941611922]
  CrossSDFは平面輪郭から発生する2次元符号付き距離から3次元符号付き距離場を抽出する新しい手法である。 提案手法は, 従来の手法よりも大幅に改善され, 薄型構造を効果的に再構築し, 正確な3次元モデルを生成する。
  論文  参考訳（メタデータ） (2024-12-05T12:38:18Z)
• Neural Image Unfolding: Flattening Sparse Anatomical Structures using Neural Fields [6.5082099033254135]
  トモグラフィーは3次元物体の内部構造を明らかにし、診断に不可欠である。 臓器特異的な展開技術は、密集した3次元表面を歪み最小化された2次元表現にマッピングするために存在する。 我々は、関心の解剖学的変換を2次元概要画像に適合させるために、ニューラルネットワークをデプロイする。
  論文  参考訳（メタデータ） (2024-11-27T14:58:49Z)
• 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)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Vid2Curve: Simultaneous Camera Motion Estimation and Thin Structure Reconstruction from an RGB Video [90.93141123721713]
  ワイヤーフレーム彫刻、フェンス、ケーブル、電力線、木の枝などの細い構造は現実世界では一般的である。 従来の画像ベースや深度ベースの再構築手法を用いて3Dデジタルモデルを入手することは極めて困難である。 ハンドヘルドカメラで撮影したカラービデオから,カメラの動きを同時に推定し,複雑な3次元薄膜構造の形状を高品質に再構成する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-07T10:39:20Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

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。