Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
다중 뷰 표면 재구성을 위해 SDF를 확률 과정으로 모델링하는 SSDP(Stochastic Signed Distance Processes)를 제안합니다. 픽셀 색상을 첫 번째 광선-표면 교차에 의한 혼합 분포로 정의하여 표면 재구성과 불확실성 정량화 성능을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다중 뷰 표면 재구성 (Multi-view surface reconstruction)은 컴퓨터 비전의 핵심적인 문제입니다. 한 가지 두드러진 연구 흐름은 표면을 부호 거리장 (Signed Distance Field, SDF)으로 암시적으로 표현하고, 렌더링된 픽셀 색상과 관찰된 픽셀 색상 사이의 광도 손실 (photometric loss)을 기반으로 이를 최적화하는 것입니다. 이러한 접근 방식은 일반적으로 SDF 기반 볼륨 렌더링 (volume rendering)을 사용하여 광선을 따라 발생하는 불연속적인 가시성 (visibility)의 미분 가능한 완화 (differentiable relaxation)를 얻으며, 이를 통해 실루엣 감독 (silhouette supervision)에 대한 의존도를 줄입니다. 본 논문에서 우리는 SDF 기반 볼륨 렌더링을 확률적 표면 렌더링 (probabilistic surface rendering)으로 재정의하며, 여기서 각 픽셀 색상은 무작위적인 첫 번째 광선-표면 교차 (first ray-surface intersection)에 의해 유도되는 혼합 분포 (mixture distribution)로 모델링됩니다. 이를 위해, 우리는 각 광선을 따라 SDF를 확률 과정 (stochastic process)으로 모델링하여 각 광선에 대한 첫 통과 시간 (first-passage-time) 분포를 유도하는 확률적 부호 거리 프로세스 (Stochastic Signed Distance Processes, SSDP)를 도입합니다. 그런 다음 베이지안 필터링 (Bayesian filtering)을 기반으로 각 샘플링 간격에 대한 첫 통과 확률 (first-passage probability)을 도출하고, 병렬 렌더링을 위한 실질적인 근사법을 함께 제시합니다. 나아가 우리는 기존의 SDF 기반 볼륨 렌더링 방법인 NeuS가 우리 공식의 특수한 사례로 나타남을 보여줍니다. DTU 및 MobileBrick 데이터셋에 대한 실험을 통해 우리의 방법이 표면 재구성 (surface reconstruction)과 불확실성 정량화 (uncertainty quantification) 모두에서 베이스라인을 능가함을 입증하며, 이는 우리의 첫 통과 (first-passage) 공식의 효과를 뒷받침합니다. 우리의 코드는 https://github.com/skmhrk1209/SSDP 에서 확인할 수 있습니다.