Sphere-Guided Training of Neural Implicit Surfaces

要約

Training of Neural Implicit Surfaces

要約：

– 最近、多視点3D再構築のために、体積レイマーチングによってトレーニングされたニューラル距離関数が広く採用されてきた。
– これらの方法は、シーン全体の体積に対してレイマーチングプロシージャを適用するため、サンプリング効率が低下し、高周波詳細領域で再建品質が低下する。
– この問題に対処するため、暗黙的関数と新しい粗い球面ベースの表面再構成を共同でトレーニングすることによって、この問題に対処する。
– 我々は、粗い表現を使用して、ニューラル表面ネットワークの追加の前方パスなしにシーンの空の体積を効率的に除外することができるため、再構成の信頼性が増加すると結論を下す。
– 我々は、このアプローチをいくつかの暗黙的表面モデリング方法のトレーニング手順に組み込み、合成データセットと実世界のデータセットの両方で均一な改善を観察した。
– プロジェクトページから、我々のコードベースにアクセスできる。https://andreeadogaru.github.io/SphereGuided

要約(オリジナル)

In recent years, neural distance functions trained via volumetric ray marching have been widely adopted for multi-view 3D reconstruction. These methods, however, apply the ray marching procedure for the entire scene volume, leading to reduced sampling efficiency and, as a result, lower reconstruction quality in the areas of high-frequency details. In this work, we address this problem via joint training of the implicit function and our new coarse sphere-based surface reconstruction. We use the coarse representation to efficiently exclude the empty volume of the scene from the volumetric ray marching procedure without additional forward passes of the neural surface network, which leads to an increased fidelity of the reconstructions compared to the base systems. We evaluate our approach by incorporating it into the training procedures of several implicit surface modeling methods and observe uniform improvements across both synthetic and real-world datasets. Our codebase can be accessed via the project page: https://andreeadogaru.github.io/SphereGuided

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI