DISN presents a Deep Implicit Surface Network for single-view 3D reconstruction, capturing fine-grained details with local feature extraction.
本稿では、宇宙船の3D再構成に特化した、DreamGaussianフレームワーク内でZero123XLモデルをファインチューニングした新しいアプローチ「DreamSat」を提案し、その有効性を示しています。
본 연구는 새로운 뷰 합성 기술(NeRF 및 3DGS)이 기존의 사진 측량법보다 숲 장면의 3D 밀집 재구성에서 훨씬 더 높은 효율성을 달성한다는 것을 보여주었으며, 특히 복잡한 숲 장면에서 NeRF가 더 나은 재구성 품질을 제공한다는 것을 보여주었다.
ES-Gaussian is a novel system that leverages a low-altitude camera, single-line LiDAR, and a novel Visual Error Construction (VEC) technique to achieve high-quality 3D indoor reconstruction, addressing the limitations of sparse data and low-cost sensors common in robotics applications.
ES-Gaussianは、低高度カメラと単一線LiDARを用いて高品質な3D屋内再構成を実現するエンドツーエンドシステムであり、スパースな点群を補完するVEC技術とLiDARによる初期化により、従来手法やNeRFなどの最先端技術を超える高精度な再構成を実現する。
ES-Gaussian은 저고도 카메라와 단일 라인 LiDAR를 사용하여 고품질의 실내 3D 재구성을 가능하게 하는 새로운 시스템으로, 저조도, 반사 표면, 단조로운 질감 등 까다로운 환경에서도 강력한 성능을 보여줍니다.
本文提出了一種名為 ES-Gaussian 的新型端到端系統,該系統利用低成本的單線雷射雷達和低空相機,通過識別和校正 3D 模型中缺乏幾何細節的區域,來增強稀疏點雲並實現高質量的 3D 室內場景重建。
本稿では、深層学習を用いて心臓や脊椎などの複雑な臓器の3D再構成を行う際、陰関数表現とモンテカルロサンプリングを用いることで、臓器の各パーツ間の接触率や最小距離などのトポロジー制約を効率的に適用する方法を提案する。
이 논문에서는 딥러닝을 이용한 3D 객체 재구성, 특히 심장과 척추와 같은 여러 부분으로 구성된 복잡한 장기를 모델링할 때 발생하는 위상학적 오류를 해결하는 새로운 방법을 제시합니다.
This paper introduces Diffusing Winding Gradients (DWG), a novel, parallel, and scalable algorithm for reconstructing watertight 3D surfaces from unoriented point clouds, achieving significant speed improvements over existing methods while maintaining robustness against noise and outliers.