NeuroSURF: Neural Uncertainty-aware Robust Surface Reconstruction

要約

ニューラル暗黙関数は、適応的な解像度を提供し、任意のトポロジーをサポートするため、サーフェスを表現するためによく使われるようになりました。
これまでの研究はグラウンド トゥルース点群に依存していましたが、多くの場合、再構成に対する入力品質とサンプリング方法の影響を無視していました。
この論文では、新しいサンプリングおよび補間技術によって大幅に改善された定性的および定量的再構成を生成する NeuroSURF を紹介します。
入力の幾何学的特性を考慮したサンプリング手法を採用すると、トレーニング プロセスを強化できることを示します。
この目的を達成するために、微分可能な幾何学的特徴、つまり平均曲率を効率的に計算して、トレーニング期間中のサンプリング段階を強化する戦略を導入します。
さらに、ニューラルの暗黙的サーフェス表現を不確実性で強化します。これにより、出力の符号付き距離値の占有率と信頼性についての洞察が得られ、それによって表現機能がオープン サーフェスに拡張されます。
最後に、NeuroSURF が合成データと現実世界のデータの両方で最先端の再構成につながることを実証します。

要約(オリジナル)

Neural implicit functions have become popular for representing surfaces because they offer an adaptive resolution and support arbitrary topologies. While previous works rely on ground truth point clouds, they often ignore the effect of input quality and sampling methods on the reconstruction. In this paper, we introduce NeuroSURF, which generates significantly improved qualitative and quantitative reconstructions driven by a novel sampling and interpolation technique. We show that employing a sampling technique that considers the geometric characteristics of inputs can enhance the training process. To this end, we introduce a strategy that efficiently computes differentiable geometric features, namely, mean curvatures, to augment the sampling phase during the training period. Moreover, we augment the neural implicit surface representation with uncertainty, which offers insights into the occupancy and reliability of the output signed distance value, thereby expanding representation capabilities into open surfaces. Finally, we demonstrate that NeuroSURF leads to state-of-the-art reconstructions on both synthetic and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google