3D Neural Edge Reconstruction

要約

現実世界のオブジェクトと環境は、主に直線や曲線などのエッジ フィーチャで構成されます。
このようなエッジは、CAD モデリング、サーフェス メッシュ作成、レーン マッピングなどのさまざまなアプリケーションにとって重要な要素です。ただし、既存の従来の方法では、幾何学的モデリングを簡略化するために、曲線よりも線のみが優先されます。
この目的を達成するために、直線と曲線の両方に焦点を当てて 3D エッジ表現を学習するための新しい方法である EMAP を紹介します。
私たちの方法では、マルチビュー エッジ マップから 3D エッジの距離と方向を符号なし距離関数 (UDF) で暗黙的にエンコードします。
このニューラル表現に加えて、推定されたエッジ点とその方向からパラメトリック 3D エッジを堅牢に抽出するエッジ抽出アルゴリズムを提案します。
包括的な評価により、私たちの方法が複数の困難なデータセットでより優れた 3D エッジ再構成を達成できることが実証されました。
さらに、学習した UDF フィールドがより詳細を捕捉することで神経表面の再構成を強化することを示します。

要約(オリジナル)

Real-world objects and environments are predominantly composed of edge features, including straight lines and curves. Such edges are crucial elements for various applications, such as CAD modeling, surface meshing, lane mapping, etc. However, existing traditional methods only prioritize lines over curves for simplicity in geometric modeling. To this end, we introduce EMAP, a new method for learning 3D edge representations with a focus on both lines and curves. Our method implicitly encodes 3D edge distance and direction in Unsigned Distance Functions (UDF) from multi-view edge maps. On top of this neural representation, we propose an edge extraction algorithm that robustly abstracts parametric 3D edges from the inferred edge points and their directions. Comprehensive evaluations demonstrate that our method achieves better 3D edge reconstruction on multiple challenging datasets. We further show that our learned UDF field enhances neural surface reconstruction by capturing more details.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google