論文の概要: Stochastic Signed Distance Processes

• arxiv url: http://arxiv.org/abs/2606.20856v2
• Date: Tue, 23 Jun 2026 00:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.286596
• Title: Stochastic Signed Distance Processes
• Title（参考訳）: 確率的符号付き距離過程
• Authors: Hiroki Sakuma, Masatoshi Okutomi,
• Abstract要約: マルチビュー表面再構成はコンピュータビジョンの中核的な問題である。 我々はSDFベースのボリュームレンダリングを確率曲面レンダリングとして再構成する。 本手法は, 表面再構成と不確実性定量化の両方において, ベースラインに優れる。
• 参考スコア（独自算出の注目度）: 17.730372252824647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view surface reconstruction is a core problem in computer vision. One prominent line of work represents the surface implicitly as a signed distance field (SDF), optimizing it based on the photometric loss between rendered and observed pixel colors. These approaches typically employ SDF-based volume rendering to obtain a differentiable relaxation of discontinuous visibility along rays, thereby reducing reliance on silhouette supervision. In this paper, we reformulate SDF-based volume rendering as probabilistic surface rendering, where each pixel color is modeled as a mixture distribution induced by the random first ray-surface intersection. To this end, we introduce Stochastic Signed Distance Processes (SSDP), which model the SDF along each ray as a stochastic process, inducing a first-passage-time distribution for each ray. We then derive the first-passage probability for each sampling interval based on Bayesian filtering, together with its practical approximation for parallel rendering. We further show that NeuS, an existing SDF-based volume rendering method, arises as a special case of our formulation. Experiments on the DTU and MobileBrick datasets demonstrate that our method outperforms baselines in both surface reconstruction and uncertainty quantification, supporting the effectiveness of our first-passage formulation. Our code is available at https://github.com/skmhrk1209/SSDP.
• Abstract（参考訳）: マルチビュー表面再構成はコンピュータビジョンの中核的な問題である。 1つの顕著な作業行は、表面を暗黙的に符号付き距離場(SDF)として表現し、レンダリングされたピクセル色と観察されたピクセル色の間の光度損失に基づいてそれを最適化する。 これらのアプローチは通常、SDFベースのボリュームレンダリングを使用して、光線に沿った不連続な可視性の異なる緩和を得るため、シルエットの監督への依存を減らす。 本稿では,SDFベースのボリュームレンダリングを確率曲面レンダリングとして再構成し,各画素色をランダムな第1線面の交叉によって誘導される混合分布としてモデル化する。 この目的のために、各光線に沿ってSDFを確率過程としてモデル化するStochastic Signed Distance Processes (SSDP)を導入し、各光線に対する第1パスタイム分布を誘導する。 次に、ベイズフィルタに基づくサンプリング間隔の1次通過確率と、並列レンダリングの実用的な近似を導出する。 さらに,既存のSDFベースのボリュームレンダリング手法であるNeuSが,我々の定式化の特別な場合として現れることを示す。 DTUおよびMobileBrickデータセットを用いた実験により,本手法は表面再構成と不確実性定量化の両方においてベースラインよりも優れており,第1パスの定式化の有効性が裏付けられている。 私たちのコードは、https://github.com/skmhrk1209/SSDP.comで利用可能です。

関連論文リスト

• Volumetric Surfaces: Representing Fuzzy Geometries with Layered Meshes [59.17785932398617]
  高品質なビュー合成はボリュームレンダリング、スプレイティング、サーフェスレンダリングに依存している。 実時間ビュー合成のための新しい表現として,サンプリング位置の個数が小さく,有界であることを示す。 我々は、オブジェクトを半透明な多層メッシュとして固定順序で表現することで、これを実現する。
  論文  参考訳（メタデータ） (2024-09-04T07:18:26Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• Differentiable Point-based Inverse Rendering [9.88708409803907]
  DPIR(DPIR)は、様々な照明下で撮影された画像を解析・合成し、形状と空間変化のBRDFを推定する手法である。 我々は、幾何学のためのハイブリッドな点-体積表現と反射率のための正規化された基底-BRDF表現を考案する。 本評価は,DPIRの再現精度,計算効率,メモリフットプリントにおいて,従来の作業よりも優れていたことを示す。
  論文  参考訳（メタデータ） (2023-12-05T04:13:31Z)
• $PC^2$: Projection-Conditioned Point Cloud Diffusion for Single-Image 3D Reconstruction [97.06927852165464]
  単一のRGB画像から物体の3次元形状を再構築することは、コンピュータビジョンにおける長年の課題である。 条件付き偏光拡散プロセスによりスパース点雲を生成する単一像3次元再構成法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T13:37:07Z)
• PRIF: Primary Ray-based Implicit Function [21.787031489881606]
  プライマリレイベースインプリシット関数(PRIF)と呼ばれる新しい暗黙の形状表現を導入する。 PRIFは、高価な球追跡操作をすることなく、与えられた入力線の表面ヒットポイントを直接生成するように定式化される。 PRIFを符号化するために訓練されたニューラルネットワークは、単一形状表現、カテゴリワイドな形状生成、スパースまたはノイズの観測による形状完了、カメラポーズ推定のための逆レンダリング、色付きニューラルレンダリングなど、様々なタスクで成功を収めていることを実証する。
  論文  参考訳（メタデータ） (2022-08-12T07:23:45Z)
• Differentiable Rendering of Neural SDFs through Reparameterization [32.47993049026182]
  ニューラルSDFにおける幾何学的シーンパラメータに対する正しい勾配を自動的に計算する手法を提案する。 提案手法は,地域サンプリング技術に基づいて,不連続性を考慮した連続的なワーピング機能を開発する。 我々の微分可能法は、多視点画像からの神経形状を最適化し、同等の3D再構成を生成できる。
  論文  参考訳（メタデータ） (2022-06-10T20:30:26Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。