Neural Kernel Surface Reconstruction

要約

我々は、大規模でまばらでノイズの多い点群から 3D 暗黙的曲面を再構成するための新しい方法を提案します。
私たちのアプローチは、最近導入されたニューラル カーネル フィールド (NKF) 表現に基づいています。
NKF と同様の一般化機能を備えていますが、同時にその主な制限に対処しています。 (a) コンパクトにサポートされているカーネル関数を通じて大規模なシーンに拡張でき、メモリ効率の高いスパース線形ソルバーの使用が可能になります。
(b) 勾配フィッティング解決により、ノイズに対して堅牢になります。
(c) トレーニング要件を最小限に抑え、密度の高い指向性ポイントのあらゆるデータセットから学習できるようにし、異なるスケールのオブジェクトとシーンで構成されるトレーニング データを混合することもできます。
私たちの方法は、数秒で数百万のポイントを再構築し、コア外の方法で非常に大規模なシーンを処理することができます。
単一のオブジェクト、屋内シーン、屋外シーンから構成される再構築ベンチマークで最先端の結果を達成します。

要約(オリジナル)

We present a novel method for reconstructing a 3D implicit surface from a large-scale, sparse, and noisy point cloud. Our approach builds upon the recently introduced Neural Kernel Fields (NKF) representation. It enjoys similar generalization capabilities to NKF, while simultaneously addressing its main limitations: (a) We can scale to large scenes through compactly supported kernel functions, which enable the use of memory-efficient sparse linear solvers. (b) We are robust to noise, through a gradient fitting solve. (c) We minimize training requirements, enabling us to learn from any dataset of dense oriented points, and even mix training data consisting of objects and scenes at different scales. Our method is capable of reconstructing millions of points in a few seconds, and handling very large scenes in an out-of-core fashion. We achieve state-of-the-art results on reconstruction benchmarks consisting of single objects, indoor scenes, and outdoor scenes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google