Fugu-MT 論文翻訳(概要): Hierarchical Space Partition for Surface Reconstruction

論文の概要: Hierarchical Space Partition for Surface Reconstruction

arxiv url: http://arxiv.org/abs/2606.04891v1
Date: Wed, 03 Jun 2026 13:52:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 20:44:18.796944
Title: Hierarchical Space Partition for Surface Reconstruction
Title（参考訳）: 表面再構成のための階層的空間分割
Authors: Minjie Tang, Xiangfei Li,
Abstract要約: モデルコンパクト性を保ちながら、行方不明な詳細を効果的に回収する平面組立戦略を提案する。我々は、シーンから抽出されたすべての平面を、3つのカテゴリに分類する。シーン構造解析によって復元された見えない平面は、行方不明の詳細を示している。
参考スコア（独自算出の注目度）: 2.261077353537038
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating compact polygonal models from point clouds is a key problem in 3D vision and computer graphics. However, due to inherent limitations of LiDAR scanning (e.g. range constraints and occlusions), critical scene information is often missing, leading to degraded reconstruction accuracy. To address this, we propose a plane assembling strategy that effectively recovers missing details while maintaining model compactness. We classify all the planes extracted from the scene into three categories: highly visible, barely visible, and invisible. The invisible planes, which are recovered by scene structure analysis, indicate the missing details. The three types of planes correspond to the three growth priorities. Each plane grows according to the priority level, and the space is partitioned progressively, namely, the hierarchical partition. Subsequently, we generate a watertight polygonal mesh from the partition via a min-cut-based optimization. Finally, comparisons on public datasets show the effectiveness and superiority of our method against mainstream approaches. The project page is available at https://hsr-3dv.github.io/.
Abstract（参考訳）: 点雲からコンパクトな多角形モデルを生成することは、3Dビジョンとコンピュータグラフィックスの重要な問題である。しかし、LiDARスキャンの固有の制限(例えば、範囲制限や閉塞)のため、重要なシーン情報が欠落することが多く、復元精度が低下する。そこで本研究では,モデルコンパクト性を保ちながら,欠落した詳細を効果的に回収する平面組立戦略を提案する。我々は、シーンから抽出されたすべての平面を、3つのカテゴリに分類する。シーン構造解析によって復元された見えない平面は、行方不明の詳細を示している。 3種類の平面は3つの成長優先順位に対応している。各平面は優先度レベルに応じて成長し、空間は徐々に分割される、すなわち階層的分割である。その後、分断から分断した水密多角形メッシュをmin-cutベースの最適化により生成する。最後に、公開データセットの比較により、本手法の主流アプローチに対する有効性と優位性を示す。プロジェクトのページはhttps://hsr-3dv.github.io/.com/で公開されている。

関連論文リスト

RoofSeg: An edge-aware transformer-based network for end-to-end roof plane segmentation [7.458061089808731]
屋根面のセグメンテーションは、空中光検出・測光(LiDAR)点雲から、詳細(LoD)2と3のレベルで3Dビルディングモデルを再構築するための重要な手順の1つである。屋根面セグメンテーションの現在のアプローチは、手動で設計または学習された特徴に頼っている。我々は,LDAR点雲から屋根面を真にエンドツーエンドに分割する,エッジ対応トランスフォーマーネットワークRoofSegを提案する。
論文参考訳（メタデータ） (2025-08-26T13:03:05Z)
Towards In-the-wild 3D Plane Reconstruction from a Single Image [16.857296782216206]
単一の画像から3D平面を再構築することは、3Dコンピュータビジョンにおいて重要な課題である。これまでの最先端の手法は、屋内または屋外のドメインから1つのデータセットでシステムのトレーニングに重点を置いてきた。ゼロショット3次元平面の検出と再構成を目的としたトランスフォーマーベースモデルであるZeroPlaneを紹介した。
論文参考訳（メタデータ） (2025-06-03T06:14:05Z)
PlanarSplatting: Accurate Planar Surface Reconstruction in 3 Minutes [32.00236197233923]
PlanarSplattingはマルチビュー屋内画像のための超高速かつ高精度な表面再構成手法である。 PlanarSplattingは3分で室内のシーンを再構築し、幾何学的精度は大幅に向上した。
論文参考訳（メタデータ） (2024-12-04T16:38:07Z)
MonoPlane: Exploiting Monocular Geometric Cues for Generalizable 3D Plane Reconstruction [37.481945507799594]
本稿では,MonoPlaneという汎用的な3次元平面検出・再構成フレームワークを提案する。まず、大規模な事前学習ニューラルネットワークを用いて、1つの画像から深度と表面の正常値を得る。これらの特異な幾何学的手がかりを近接誘導RANSACフレームワークに組み込んで各平面インスタンスに順次適合させる。
論文参考訳（メタデータ） (2024-11-02T12:15:29Z)
AirPlanes: Accurate Plane Estimation via 3D-Consistent Embeddings [26.845588648999417]
本研究では,3次元画像から平面面を推定する問題に対処する。本稿では,平面へのクラスタリングにおける幾何を補完する多視点一貫した平面埋め込みを予測する手法を提案する。我々は、ScanNetV2データセットの広範な評価を通じて、我々の新しい手法が既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2024-06-13T09:49:31Z)
PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文参考訳（メタデータ） (2023-08-31T17:57:17Z)
Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである本稿では,両問題を一度に解決するGPENetを提案する。我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文参考訳（メタデータ） (2022-11-03T02:21:35Z)
CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文参考訳（メタデータ） (2022-10-09T13:38:48Z)
Occupancy Planes for Single-view RGB-D Human Reconstruction [120.5818162569105]
暗黙的な機能を持つシングルビューRGB-Dヒト再構成は、しばしばポイント単位の分類として定式化される。本稿では,カメラの視野フラストラムをスライスする平面上での占有率予測として,一視点のRGB-D人間の再構成を定式化できる占有面(OPlanes)表現を提案する。
論文参考訳（メタデータ） (2022-08-04T17:59:56Z)
Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
論文参考訳（メタデータ） (2022-05-05T17:59:55Z)
3D Sketch-aware Semantic Scene Completion via Semi-supervised Structure Prior [50.73148041205675]
セマンティック・シーン・コンプリート(SSC)タスクの目標は、単一視点で観察することで、ボリューム占有率とシーン内のオブジェクトの意味ラベルの完全な3Dボクセル表現を同時に予測することである。低解像度のボクセル表現で深度情報を埋め込む新しい幾何学的手法を提案する。提案手法は,SSCフレームワークからの深度特徴学習よりも有効である。
論文参考訳（メタデータ） (2020-03-31T09:33:46Z)

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。