論文の概要: NeRFifyMesh: Optimizing Neural Radiance Fields from Textured Meshes for Robotics Scene Building

• arxiv url: http://arxiv.org/abs/2610.10387v1
• Date: Wed, 07 Oct 2026 16:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.05608
• Title: NeRFifyMesh: Optimizing Neural Radiance Fields from Textured Meshes for Robotics Scene Building
• Title（参考訳）: NeRFifyMesh: ロボットシーン構築のためのテクスチャメッシュからニューラルネットワークフィールドを最適化する
• Abstract要約: ロボット工学において、シーン表現は環境の理解と相互作用において重要な役割を果たす。 セマンティックマッピングやシミュレーションのようなアプリケーションでは、ロボット工学者は複数のNeRFモデルを使用して、それぞれがオブジェクトを表すシーンを構築することを目指している。 本稿では,既存のメッシュモデルからNeRF表現への変換を,基底真理点に基づく放射場を人工的に生成するパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 1.6058099298620423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In robotics, scene representation plays a pivotal role in understanding and interacting with the environment. The advent of Neural Radiance Fields (NeRF) and its variants, as a novel representation, has opened a new frontier of research. In applications such as semantic mapping and simulation, roboticists aim to build scenes using multiple NeRF models, each representing an object. While extensive datasets of 3D mesh models already exist, there is an urgent need to develop tools to convert these assets to NeRF models for rapid algorithm development and testing. This paper presents a new pipeline for converting existing mesh models to NeRF representations by artificially generating a ground truth point-based radiance field through sampling mesh geometry and texture. This approach alleviates the need for camera-based sampling or rendering multi-view images of the original mesh to train the NeRF model. Extensive benchmarking demonstrates that our method yields comparable rendering quality to the baselines. Additionally, the application of this representation is shown by constructing unified NeRF scenes and performing collision simulations with extracted geometry.
• Abstract（参考訳）: ロボット工学において、シーン表現は環境の理解と相互作用において重要な役割を果たす。 ニューラル・ラジアンス・フィールド(NeRF)とその変種は、新しい表現として、新たな研究のフロンティアを開いた。 セマンティックマッピングやシミュレーションなどのアプリケーションでは、ロボット工学者は複数のNeRFモデルを使用して、それぞれがオブジェクトを表すシーンを構築することを目指している。 3Dメッシュモデルの広範なデータセットはすでに存在するが、迅速なアルゴリズム開発とテストのためにこれらの資産をNeRFモデルに変換するツールを開発する必要がある。 本稿では,メッシュ形状とテクスチャをサンプリングすることで,基底真理点に基づく放射場を人工的に生成することにより,既存のメッシュモデルをNeRF表現に変換するパイプラインを提案する。 このアプローチにより、カメラベースのサンプリングや、NeRFモデルをトレーニングするオリジナルのメッシュのマルチビューイメージのレンダリングの必要性が軽減される。 大規模なベンチマークにより、我々の手法はベースラインに匹敵するレンダリング品質が得られることが示された。 さらに、この表現の応用は、統一されたNeRFシーンを構築し、抽出された幾何学を用いて衝突シミュレーションを行うことによって示される。

関連論文リスト

• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• Animating NeRFs from Texture Space: A Framework for Pose-Dependent Rendering of Human Performances [11.604386285817302]
  人間のパフォーマンスのポーズ依存レンダリングのための新しいNeRFベースのフレームワークを提案する。 提案手法は,新規視点と新規目的合成のための高品質なレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-06T14:34:36Z)
• HyperNeRFGAN: Hypernetwork approach to 3D NeRF GAN [0.4606926019499777]
  本稿では,ガウス雑音をNeRFアーキテクチャの重みに変換するために,ハイパーネットワークパラダイムを用いたGANアーキテクチャであるHyperNeRFGANを紹介する。 既存の最先端の代替モデルと比較して顕著な単純さにもかかわらず、提案モデルは多様な画像データセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T10:21:18Z)
• CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural Representations [77.90883737693325]
  本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。 これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。 さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
  論文  参考訳（メタデータ） (2022-09-02T17:44:50Z)
• NeRF-VAE: A Geometry Aware 3D Scene Generative Model [14.593550382914767]
  本研究では,NeRFによる幾何学的構造を組み込んだ3次元シーン生成モデルNeRF-VAEを提案する。 NeRF-VAEの明示的な3Dレンダリングプロセスは、以前の生成モデルと畳み込みベースのレンダリングとを対比する。 トレーニングが完了すると、NeRF-VAEは以前に見つからなかった3D環境から幾何学的に一貫性のあるシーンを推測、描画できることを示す。
  論文  参考訳（メタデータ） (2021-04-01T16:16:31Z)

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。