論文の概要: NeuDonatello: Uncertainty-Aware Framework for Accurate Neural SDF Learning

• arxiv url: http://arxiv.org/abs/2608.26504v1
• Date: Thu, 27 Aug 2026 01:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.209951
• Title: NeuDonatello: Uncertainty-Aware Framework for Accurate Neural SDF Learning
• Title（参考訳）: NeuDonatello: 正確なニューラルネットワーク学習のための不確実性認識フレームワーク
• Authors: Alvin Jinsung Choi, Wanhee Kim, Taeyun Kim, Dasol Hong, Wooju Lee, Hyun Myung,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.616195899650146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural surface reconstruction has emerged as a powerful paradigm for recovering high-quality 3D surfaces from multi-view images. However, recovering accurate geometry solely from RGB images remains challenging due to uncertainties arising from textureless regions, occlusions, and inherent scene ambiguities. Existing methods often overlook such uncertainties, leading to inaccurate estimates of the signed distance function (SDF). We introduce NeuDonatello, a novel framework that models and leverages SDF uncertainty to improve surface reconstruction. Central to our approach is to model spatially varying uncertainty using a Monte Carlo sampling strategy. Using this uncertainty, we develop an adaptive regularization that selectively strengthens geometric constraints where RGB supervision is unreliable, avoiding incorrect surface reconstruction. We further introduce an uncertainty-aware scale parameter for the SDF-to-density conversion. Conditioned on uncertainty, this design enables more accurate modeling of spatially varying densities. Extensive experiments demonstrate that NeuDonatello achieves state-of-the-art reconstruction accuracy, with robust performance across diverse scenes using only posed RGB images.
• Abstract（参考訳）: 多視点画像から高品質な3次元表面を復元するための強力なパラダイムとして、ニューラルサーフェス再構成が登場した。 しかし,RGB画像のみから正確な形状を復元することは,テクスチャのない領域やオクルージョン,自然界の曖昧さから生じる不確実性のため,依然として困難である。 既存の手法はしばしばそのような不確実性を見落とし、符号付き距離関数(SDF)の不正確な推定につながる。 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。 我々のアプローチの中心は、モンテカルロサンプリング戦略を用いて空間的に異なる不確実性をモデル化することである。 この不確実性を利用して、RGBの監督が信頼できないような幾何学的制約を選択的に強化し、誤った表面再構成を避ける適応正規化を開発する。 SDF-to-density変換のための不確実性を考慮したスケールパラメータも導入する。 不確実性を考慮したこの設計は、空間的に異なる密度のより正確なモデリングを可能にする。 広汎な実験により、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実証された。

関連論文リスト

• Revisiting Photometric Ambiguity for Accurate Gaussian-Splatting Surface Reconstruction [62.73945158853891]
  AmbiSuRは、光学的あいまいさとロバストな表面3D再構成のためのガウススプラッティングによる本質的な解を高速に探索するフレームワークである。 本研究は,2つの表現にプリミティブな曖昧さが組み込まれていることを明らかにするとともに,ガウス的スプラッティングにおけるあいまいさ自己表現の本質的な可能性を明らかにするものである。 そこで本稿では, 自己表現能力を解き放つアンビグニティ表示モジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:47Z)
• Rethinking Pose Refinement in 3D Gaussian Splatting under Pose Prior and Geometric Uncertainty [22.568270316570334]
  3D Splatting(3DGS)は、視覚的局所化と機能改善のために、強力な表現がますます使われるようになったため、最近登場した。 高品質な差別性と堅牢性にもかかわらず、3DGSベースの精細化は初期カメラのポーズと再構成された幾何学の両方に非常に敏感である。
  論文  参考訳（メタデータ） (2026-03-17T14:00:41Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• BayesSDF: Surface-Based Laplacian Uncertainty Estimation for 3D Geometry with Neural Signed Distance Fields [0.0]
  BayesSDFは神経暗黙の3次元表現における不確実性推定のための新しい確率的フレームワークである。 表面認識の不確実性定量化を可能にすることで、ベイズSDFはより堅牢で、解釈可能で、動作可能な3D知覚システムの基礎を定めている。
  論文  参考訳（メタデータ） (2025-07-08T03:21:12Z)
• NeuRodin: A Two-stage Framework for High-Fidelity Neural Surface Reconstruction [63.85586195085141]
  サイン付き距離関数 (SDF) を用いたボリュームレンダリングは, 表面再構成において有意な機能を示した。 ニューロディン(NeuRodin)は、新しい2段階の神経表面再構成フレームワークである。 NeuRodinは高忠実な表面再構成を実現し、密度ベース手法の柔軟な最適化特性を維持している。
  論文  参考訳（メタデータ） (2024-08-19T17:36:35Z)
• 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。