論文の概要: CASA-SDF: Curriculum-Aware Spatial Adaptation with Curvature-Guided Density for Neural Implicit Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2607.13492v1
• Date: Wed, 15 Jul 2026 06:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.671728
• Title: CASA-SDF: Curriculum-Aware Spatial Adaptation with Curvature-Guided Density for Neural Implicit Surface Reconstruction
• Title（参考訳）: CASA-SDF:ニューラルインシシトサーフェス再構成のための曲率ガイドによる空間適応
• Abstract要約: 室内表面の高忠実化は依然として大きな課題である。 既存のアプローチは、しばしば空間的に無差別な事前監視とシーン・グローバルなSDF-to-density変換に依存している。 我々は,この課題に対処する統一的な枠組みを,監督能力と表現能力の相補的適応を通じて提案する。
• 参考スコア（独自算出の注目度）: 16.213539439407754
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural implicit representations have emerged as a powerful paradigm for 3D reconstruction. However, high-fidelity indoor surface reconstruction remains a significant challenge, primarily due to the pronounced \emph{geometric heterogeneity} of indoor scenes. Large texture-less planar regions typically require stronger regularization to suppress high-frequency artifacts, while thin structures demand sharper, more adaptive representations to mitigate the spectral bias of multi-layer perceptrons (MLPs) and prevent over-smoothing. Existing approaches often rely on spatially indiscriminate prior supervision and a scene-global SDF-to-density transformation, which constrains their ability to balance planar smoothness and detail preservation. In this paper, we propose CASA-SDF (Curriculum-Aware Spatial Adaptation for SDF), a unified framework that addresses this challenge via complementary adaptations of supervision and representation capacity. Specifically, Hybrid Spatially-Adaptive Uncertainty Annealing (SAUA) fuses semantic and photometric uncertainties to construct a pixel-wise curriculum for monocular prior supervision. This strategy maintains regularization in reliable regions while attenuating unreliable supervision early in training to enable data-driven photometric refinement. Meanwhile, Curvature-Aware Locally Adaptive Density Transformation (CALADT) progressively modulates the sharpness of the SDF-to-density mapping via a curvature proxy to enhance the representation of thin structures. Extensive experiments on benchmark indoor datasets demonstrate that CASA-SDF improves surface completeness and detail recovery on high-frequency structures, without compromising the stability of planar surfaces.
• Abstract（参考訳）: ニューラルな暗黙の表現は、3D再構成の強力なパラダイムとして現れている。 しかし、高忠実度屋内表面の再構成は、主に屋内シーンの「emph{geometric heterogeneity"」と発音されるため、依然として重要な課題である。 大規模なテクスチャレス平面領域は、高頻度のアーティファクトを抑制するためにより強い正規化を必要とするのに対し、細い構造ではよりシャープで適応的な表現を必要とし、多層パーセプトロン(MLP)のスペクトルバイアスを緩和し、過度な平滑化を防ぐ。 既存のアプローチは、しばしば空間的に無差別な事前監督と、平面の滑らかさと詳細保存のバランスを制約するシーン・グローバルなSDF-to-density変換に依存している。 本稿では,この課題に対処する統合フレームワークであるCASA-SDF(Curriculum-Aware Spatial Adaptation for SDF)を提案する。 特に、ハイブリッド空間適応不確実性アニーリング(SAUA)は、意味的および測光的不確かさを融合させ、単眼的な事前監視のためのピクセル単位のカリキュラムを構築する。 この戦略は、信頼性の高い領域での定期化を維持しつつ、訓練の早い段階で信頼できない監督を減らし、データ駆動型測光補正を可能にする。 一方、曲線認識局所適応密度変換(CALADT)は、曲率プロキシを介してSDF-密度マッピングのシャープネスを段階的に変調し、細い構造の表現を強化する。 CASA-SDFは、平面面の安定性を損なうことなく、高周波数構造における表面完全性と詳細回復を改善することを示した。

関連論文リスト

• NeuDonatello: Uncertainty-Aware Framework for Accurate Neural SDF Learning [11.616195899650146]
  我々はSDFの不確実性をモデル化し活用し、表面再構成を改善する新しいフレームワークであるNeuDonatelloを紹介する。 我々は、RGBの監督が信頼できないような幾何学的制約を強化し、不正確な表面再構成を避ける適応正規化を開発する。 実験により、NeuDonatelloは、RGB画像のみを用いて、さまざまなシーンで堅牢なパフォーマンスで、最先端の再現精度を実現することが示された。
  論文  参考訳（メタデータ） (2026-08-27T01:03:35Z)
• Surfsvr: 2D Surface Priors as 3D Geometric Regularizers for Sparse Voxel Reconstruction [56.51413081953813]
  SurfSVRは2次元表面の先行を明示的な3次元幾何正規化器として扱う新しいスパースボクセル再構成パラダイムである。 鮮明なボクセルの再現は、視認性と幾何学的特性が著しく異なる場面で一貫して改善される。
  論文  参考訳（メタデータ） (2026-08-12T11:25:31Z)
• CLUIE: Clustering-Aware Recurrent Propagation with Local Structural Compensation for Underwater Image Enhancement [92.78545064386485]
  水中画像の強調は、波長依存性の光吸収、散乱、後方散乱により依然として困難である。 本稿では,従来のRWKVの一定繰り返し伝搬経路をコンテント適応トークン軌道に変換するクラスタリング対応RWKVフレームワークを提案する。 複数の水中画像強調ベンチマークの実験は、CRWKVが最先端の定量的性能と優れた視覚的品質を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-23T16:09:36Z)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
  PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。 本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
  論文  参考訳（メタデータ） (2026-03-11T14:11:42Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• AtlasGS: Atlanta-world Guided Surface Reconstruction with Implicit Structured Gaussians [57.95719610327081]
  本研究では, アトランタ・ワールドガイド型暗黙構造型ガウシアン・スプレイティングを提案し, 屋内・都市景観のスムーズな再構築を実現する。 提案手法は,屋内・都市両場面における最先端の手法より優れ,表面の再現性に優れる。
  論文  参考訳（メタデータ） (2025-10-29T03:17:58Z)
• Edge-Aware Normalized Attention for Efficient and Detail-Preserving Single Image Super-Resolution [27.3322913419539]
  単一高分解能超解像(SISR)は、単一の低分解能観測から構造的に忠実な高周波成分を回収することが曖昧であるため、非常に不明瞭である。 既存のエッジ対応の手法では、エッジ先行または注意枝をますます複雑なバックボーンにアタッチすることが多いが、アドホック融合は冗長性、不安定な最適化、あるいは限られた構造的利得をもたらすことが多い。 このギャップには, エッジ特徴量と中間特徴量から適応変調マップを導出するエッジ誘導型アテンション機構を用いて対処し, それらを正規化および再重み付けに応用し, 微妙なテクスチャを抑えつつ, 構造的に健全な領域を選択的に増幅する。
  論文  参考訳（メタデータ） (2025-09-18T02:31:24Z)
• HiNeuS: High-fidelity Neural Surface Mitigating Low-texture and Reflective Ambiguity [8.74691272469226]
  HiNeuSは、既存のアプローチにおける3つの中核的な制限に、一貫したフレームワークである。 1) SDF誘導線トレーシングによる微分可視性検証, 2) レイアライン幾何パッチによる平面コンフォーマルな正規化, 3) 局所勾配に基づく幾何的制約を動的に調節する物理的に接地されたアイコン緩和。
  論文  参考訳（メタデータ） (2025-06-30T13:45:25Z)
• 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)
• PSDF: Prior-Driven Neural Implicit Surface Learning for Multi-view Reconstruction [31.768161784030923]
  このフレームワークは、事前訓練されたMVSネットワークとNISRモデルに固有の内部幾何学的先駆体から外部幾何学的先駆体を利用する。 Tanks and Templesデータセットの実験は、PSDFが複雑な制御されていないシーンで最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-01-23T13:30:43Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• DebSDF: Delving into the Details and Bias of Neural Indoor Scene Reconstruction [34.07747722661987]
  本稿では,単分子先行における不確実性の利用とSDFに基づくボリュームレンダリングにおけるバイアスに着目した。 本稿では,より大規模な不確実性とモノラルな先行誤差を関連付ける不確実性モデリング手法を提案する。 その後、バイアスを防ぐために、高い不確実性事前を最適化から除外する。
  論文  参考訳（メタデータ） (2023-08-29T18:00:22Z)

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。