3D再構築

コンピュータビジョンとコンピュータグラフィックスにおいて、3D再構成とは、実際の物体の形状と外観を捉えるプロセスです。このプロセスは、能動的または受動的な方法で実行できます。^{[1]モデルが時間の経過とともに形状を変更できる場合、これは}非剛性再構成または時空間再構成と呼ばれます。^[2]

動機と応用

3D再構成の研究は常に困難な目標でした。3D再構成を使用すると、任意のオブジェクトの3Dプロファイルを決定できるだけでなく、プロファイル上の任意の点の3D座標を知ることができます。オブジェクトの3D再構成は、一般的に科学的な問題であり、コンピュータ支援幾何学設計（CAGD）、コンピュータグラフィックス、コンピュータアニメーション、コンピュータビジョン、医療用画像処理、計算科学、仮想現実、デジタルメディアなど、さまざまな分野の中核技術です。 ^[3]たとえば、患者の病変情報はコンピュータ上で3Dで表示できます。これは、診断に新しい正確なアプローチを提供し、したがって重要な臨床価値を持っています。^[4] デジタル標高モデルは、航空機搭載レーザー高度測定^[5]や合成開口レーダー^[6]などの方法を使用して再構築できます。

アクティブメソッド

能動的な方法、すなわち距離データ法では、深度マップが与えられ、数値近似アプローチによって 3D プロファイルを再構築し、モデルに基づいてシナリオ内にオブジェクトを構築します。これらの方法は、構造化光、レーザー距離計、その他の能動的なセンシング技術などの距離計を使用して機械的にまたは放射測定的に再構築されたオブジェクトに能動的に干渉し、深度マップを取得します。機械的な方法の簡単な例としては、深度ゲージを使用して、ターンテーブル上に置かれた回転するオブジェクトまでの距離を測定することが挙げられます。より適切な放射測定法では、オブジェクトに向かって放射を放射し、その反射部分を測定します。例としては、移動する光源、色の可視光、飛行時間型レーザー^[7]からマイクロ波や3D 超音波まで多岐にわたります。詳細については、 3D スキャンを参照してください。

受動的な方法

3D再構成の受動的な方法は、再構成された物体に干渉しません。物体の表面から反射または放射される輝度をセンサーで測定し、画像理解を通じてその3D構造を推測するだけです。^[8]通常、センサーは可視光に敏感なカメラの画像センサーであり、方法への入力はデジタル画像のセット（1つ、2つ、またはそれ以上）またはビデオです。この場合、画像ベースの再構成について話しており、出力は3Dモデルです。能動的な方法と比較して、受動的な方法はより広い状況に適用できます。^[9]

単眼手がかり法

単眼手がかり法とは、1つの視点（カメラ）からの1枚以上の画像を使用して3D構築を進める方法を指します。2D特性（シルエット、陰影、テクスチャなど）を使用して3D形状を測定するため、Shape-From-Xとも呼ばれます。ここで、Xはシルエット、陰影、テクスチャなどです。単眼手がかりによる3D再構築はシンプルで迅速であり、適切なデジタル画像が1つだけ必要なので、カメラは1台だけで十分です。技術的には、かなり複雑なステレオ対応を回避します。^[10]

シェーディングからの形状復元画像内の陰影情報を解析し、ランバート反射率を用いて物体表面の法線情報の深度を復元し再構築する。 ^[12]

フォトメトリックステレオ法このアプローチは、シェーディング法よりも洗練されています。異なる照明条件で撮影された画像を使用して、深度情報を解決します。このアプローチでは、複数の画像が必要であることに注意してください。^[13]

テクスチャからの形状複製されたテクスチャユニットで覆われた滑らかな表面を持つオブジェクトを想定し、3Dから2Dへの投影により歪みと遠近感が生じる。2D画像で測定された歪みと遠近感は、オブジェクト表面の法線情報の深さを逆に解くためのヒントを提供する。^[14]

機械学習ベースのソリューション機械学習は、入力の微妙な特徴とそれぞれの 3D 相当物との対応関係を学習することを可能にします。ディープニューラルネットワークは、単色画像からの 3D 再構成に非常に効果的であることが示されています。^[15]これは、スケッチなどの非フォトリアリスティックな入力画像でも機能します。^[16]再構成された 3D 特徴の精度が高いため、ディープラーニングベースの方法は、X 線から CT 画像を再構成するバイオメディカルエンジニアリングアプリケーションに採用されています。^[17]

ステレオビジョン

ステレオビジョンは、人間の視覚システムの研究に基づいて、複数の画像から物体の3次元の幾何学的情報を取得します。^[18]結果は深度マップの形式で表示されます。2台のカメラで同時に異なる視野角で取得された物体の画像、または1台のカメラで異なる時間に異なる視野角で取得された物体の画像を使用して、物体の3D幾何学的情報を復元し、3Dプロファイルと位置を再構築します。これは、シェープフロムシェーディングなどの単眼方式よりも直接的です。

両眼立体視法では、同じ物体を観察するために、平行な光軸を持つ 2 台の同一カメラが必要で、異なる視点から 2 つの画像を取得します。三角法の関係では、視差から奥行き情報を計算できます。両眼立体視法は十分に開発されており、安定した 3D 再構築に寄与し、他の 3D 構築法と比較して優れたパフォーマンスをもたらします。残念ながら、計算量が多く、ベースライン距離が大きい場合はパフォーマンスがかなり低下します。

問題の説明と基礎

両眼立体視を用いて物体の3D幾何学情報を取得するアプローチは、視覚的視差に基づいています。^[19]次の図は、水平視の両眼立体視の簡単な模式図を示しています。ここで、bは2台のカメラの投影中心間のベースラインです。

カメラの座標系の原点は、図に示すように、カメラのレンズの光学中心にあります。実際には、カメラの像面は、カメラのレンズの光学中心の後ろにあります。ただし、計算を簡略化するために、像はレンズの光学中心より前に f で描かれます。像の座標系の u 軸と v 軸は、それぞれカメラの座標系の x 軸と y 軸と同じ方向にあります。像の座標系の原点は、像面と光軸の交点にあります。左像面と右像面のそれぞれに対応する像点がとである世界点を想定します。2 台のカメラが同じ平面にあると仮定すると、との y 座標は同一、つまりになります。三角法の関係によれば、 $O_{1}uv$ $P$ $P_{1}(u_{1},v_{1})$ $P_{2}(u_{2},v_{2})$ $P_{1}$ $P_{2}$ $v_{1}=v_{2}$

$u_{1}=f{\frac {x_{p}}{z_{p}}}$

$u_{2}=f{\frac {x_{p}-b}{z_{p}}}$

$v_{1}=v_{2}=f{\frac {y_{p}}{z_{p}}}$

ここで、は左カメラの座標系における座標、はカメラの焦点距離です。視覚的視差は、2台のカメラによって取得された特定の世界点の画像点の位置の差として定義されます。 $(x_{p},y_{p},z_{p})$ $P$ $f$

$d=u_{1}-u_{2}=f{\frac {b}{z_{p}}}$

これに基づいての座標を計算することができます。 $P$

したがって、画像ポイントの座標がわかれば、2 台のカメラのパラメータに加えて、ポイントの 3D 座標を決定できます。

$x_{p}={\frac {bu_{1}}{d}}$

$y_{p}={\frac {bv_{1}}{d}}$

$z_{p}={\frac {bf}{d}}$

3D 再構築は次のセクションで構成されます。

画像取得

2D デジタル画像の取得は、3D 再構成の情報源です。一般的に使用される 3D 再構成は 2 枚以上の画像に基づいていますが、場合によっては 1 枚のみの画像を使用することもあります。画像取得にはさまざまな方法があり、特定のアプリケーションの機会と目的によって異なります。アプリケーションの要件を満たす必要があるだけでなく、視覚的な差異、照明、カメラの性能、シナリオの特徴も考慮する必要があります。

カメラの調整

両眼立体視におけるカメラのキャリブレーションとは、3D シナリオにおける画像点と空間座標間のマッピング関係を決定することを指します。カメラのキャリブレーションは、両眼立体視による 3D 再構築の基本かつ不可欠な部分です。 $P_{1}(u_{1},v_{1})$ $P_{2}(u_{2},v_{2})$ $P(x_{p},y_{p},z_{p})$

特徴抽出

特徴抽出の目的は、ステレオ対応処理の基盤となる画像の特徴を取得することです。その結果、画像の特徴はマッチング方法の選択と密接に関係します。特徴抽出には普遍的に適用可能な理論がないため、両眼立体視研究におけるステレオ対応は多種多様です。

ステレオ対応

ステレオ対応とは、画像内の基本要素間の対応関係を確立すること、つまり 2 つの画像を一致させることです。シナリオ内の特定の干渉要素 (照明、ノイズ、表面の物理的特性など) に注意する必要があります。 $P_{1}(u_{1},v_{1})$ $P_{2}(u_{2},v_{2})$

復元

正確な対応とカメラ位置パラメータを組み合わせることで、3D 幾何学情報を問題なく復元できます。3D 再構築の精度は対応の精度、カメラ位置パラメータの誤差などに依存するため、比較的正確な 3D 再構築を実現するには、前の手順を慎重に実行する必要があります。

医療画像の3D再構成

診断、患者のフォローアップ、コンピュータ支援手術、手術計画などの臨床ルーチンは、人体の望ましい部分の正確な3Dモデルによって促進されます。3D再構成の主な動機は次のとおりです。

マルチビュー集約により精度が向上しました。
詳細な表面推定値。
外科医が医療処置を実行する際の計画、シミュレーション、ガイド、またはその他の支援に使用できます。
患者の解剖学的構造の正確な位置と方向を判定できます。
放射線治療の計画と治療の検証、脊椎手術、股関節置換術、神経介入、大動脈ステント留置術など、さまざまな臨床分野で役立ちます。

用途:

3D 再構築は多くの分野で応用されています。その分野には以下が含まれます。

舗装工学^[7]^[20]
医学^[4]
自由視点ビデオ再構成^[21]
ロボットマッピング^[22]
都市計画^[23]
断層画像再構成^[24]
ゲーム^[25]
仮想環境と仮想観光^[25]
地球観測
考古学^[26]
拡張現実^[27]
リバースエンジニアリング^[28]
モーションキャプチャー^[29]
3D物体認識[ ^30]、ジェスチャー認識とハンドトラッキング^[31]

問題の説明:

3D 再構築に使用できるアルゴリズムのほとんどは非常に遅く、リアルタイムで使用することはできません。提示されたアルゴリズムはまだ初期段階ですが、高速計算の可能性を秘めています。

既存のアプローチ:

ドロネーとアルファシェイプ

Delaunay 法では、初期点群から四面体表面を抽出します。空間内の点の集合の「形状」という考え方は、アルファ形状の概念によって与えられます。有限の点集合 S と実パラメータ α が与えられた場合、S のアルファ形状は、凸でも必ずしも連結でもない多面体 (2 次元多角形と 3 次元多面体の任意の次元への一般化) です。^[32]大きな値の場合、アルファ形状は S の凸包と同一です。Edelsbrunner と Mucke によって提案されたアルゴリズム^[33]は、α より小さい周囲の球によって区切られるすべての四面体を削除します。次に、結果として得られる四面体から外部の三角形を使用して表面を取得します。^[33]
タイトココネ^[34]と呼ばれる別のアルゴリズムでは、最初の四面体を内部と外部としてラベル付けします。内部と外部にある三角形によって結果の表面が生成されます。

どちらの方法も、最近、ノイズのある点群を再構築するために拡張されました。^[34]この方法では、点の品質によって方法の実現可能性が決まります。正確な三角測量を行うには、点群セット全体を使用するため、しきい値を超える誤差を持つ表面上の点は、再構築されたジオメトリ上に明示的に表されます。^[32]

ゼロセット法

表面の再構成は、空間内の各点に表面Sまでの符号付き距離を割り当てる距離関数を使用して実行されます。輪郭アルゴリズムを使用してゼロセットが抽出され、オブジェクトのポリゴン表現が取得されます。したがって、無秩序な点群から表面を再構成する問題は、サンプリングされた点に対してゼロ値を持ち、残りに対してはゼロとは異なる値を持つ適切な関数fの定義に帰着します。マーチングキューブと呼ばれるアルゴリズムにより、このような方法の使用が確立されました。^[35]特定のアルゴリズムにはさまざまなバリエーションがあり、離散関数f を使用するものもあれば、初期点セットを調整するために多調和ラジアル基底関数を使用するものもあります。^[36]^[37]^ポアソン方程式に基づく移動最小二乗法、ローカルサポート付き基本関数などの関数も使用されています。コーナーやエッジなど、極端な曲率を持つ領域でのジオメトリ精度の損失は、遭遇する主な問題の1つです。さらに、何らかのフィルタリング技術を適用して情報を前処理すると、角が柔らかくなり、角の定義にも影響します。コーナーの検出と改良のための再構成に使用される後処理技術に関する研究はいくつかありますが、これらの方法はソリューションの複雑さを増します。^[39]

VRテクニック

物体の全体の体積の透明度は、VR 技術を使用して視覚化されます。画像は、ボリュームデータに光線を投影することによって実行されます。各光線に沿って、不透明度と色をすべてのボクセルで計算する必要があります。次に、各光線に沿って計算された情報が、画像平面上のピクセルに集約されます。この技術は、物体のコンパクトな構造全体を包括的に見るのに役立ちます。この技術には膨大な計算量が必要であり、強力な構成のコンピューターが低コントラストデータに適しています。光線投影には、次の 2 つの主な方法が考えられます。

オブジェクト順序方式: 投影光線はボリュームを後ろから前へ (ボリュームから画像平面へ) 通過します。
画像順序またはレイキャスティング法: 投影光線はボリュームを前から後ろへ (画像平面からボリュームへ) 通過します。画像を合成する方法は他にもいくつかありますが、適切な方法はユーザーの目的によって異なります。医療画像でよく使用される方法としては、MIP (最大強度投影)、MinIP (最小強度投影)、AC (アルファ合成)、NPVR (非フォトリアリスティックボリュームレンダリング) などがあります。

ボクセルグリッド

このフィルタリング技術では、入力空間は3Dボクセルのグリッドを使用してサンプリングされ、ポイントの数を減らします。^[40]各ボクセルについて、すべてのポイントの代表として重心が選択されます。ボクセルの重心を選択するか、ボクセル内にあるポイントの重心を選択するかの2つの方法があります。内部ポイントの平均を取得すると計算コストが高くなりますが、より良い結果が得られます。このようにして、基になる表面を大まかに表す入力空間のサブセットが得られます。ボクセルグリッド法には、他のフィルタリング技術と同じ問題があります。つまり、表面を表す最終的なポイント数を定義できないこと、ボクセル内のポイントの削減による幾何学的情報の損失、ノイズの多い入力空間に対する敏感さです。

参照

参考文献

^ Moons, Theo、Luc Van Gool、Maarten Vergauwen。「複数の画像からの 3D 再構築パート 1: 原理」『コンピュータグラフィックスとビジョンの基礎と動向 4.4』(2010): 287-404。
^ Zollhöfer, Michael、他「RGB-D カメラを使用したリアルタイム非剛体再構成」ACM Transactions on Graphics 33.4 (2014): 156。
^ 「3Dモデリングの未来」GarageFarm 2017年5月27日2017年5月27日閲覧。
^ ab Liping Zheng; Guangyao Li; Jing Sha (2007). 「医療画像の 3D 再構成の調査」。Luo, Qingming; Wang, Lihong V.; Tuchin, Valery V.; Gu, Min (編)。第 5 回国際生物学および医学におけるフォトニクスとイメージング会議。SPIE 議事録。第 6534 巻。pp . 65342K–65342K–6。doi :10.1117/12.741321。S2CID 62548928 。
^ Vosselman, George、および Sander Dijkman。「ポイントクラウドと平面図からの 3D 建物モデルの再構築」国際写真測量アーカイブ、リモートセンシングおよび空間情報科学 34.3/W4 (2001): 37-44。
^ Colesanti, Carlo、Janusz Wasowski。「宇宙搭載合成開口レーダー（SAR）干渉計による地滑りの調査」工学地質学 88.3-4（2006）：173-199。
^ ab Mahmoudzadeh, Ahmadreza; Golroo, Amir; Jahanshahi, Mohammad R.; Firoozi Yeganeh, Sayna (2019年1月). 「安価なRGB-Dセンサーから取得した色と深度のデータを融合して舗装の粗さを推定する」.センサー. 19 (7): 1655. Bibcode :2019Senso..19.1655M. doi : 10.3390/s19071655 . PMC 6479490. PMID 30959936 .
^ Buelthoff, Heinrich H.、および Alan L. Yuille。「Shape-from-X: 心理物理学と計算」Wayback Machineで 2011-01-07 にアーカイブされました。Fibers' 91、マサチューセッツ州ボストン。国際光学およびフォトニクス協会、1991 年。
^ ムーンズ、テオ (2010).複数の画像からの 3D 再構成。パート 1、原則。グール、リュック・ヴァン、ヴェルゴーウェン、マールテン。マサチューセッツ州ハノーバー: Now Publishers, Inc. ISBN 978-1-60198-285-8. OCLC 607557354.
^ Saxena, Ashutosh; Sun, Min; Ng, Andrew Y. ( 2007). 「単眼ビジョンを使用したスパースビューからの3D再構築」。2007 IEEE 11th International Conference on Computer Vision。pp . 1–8。CiteSeerX 10.1.1.78.5303。doi : 10.1109 / ICCV.2007.4409219。ISBN 978-1-4244-1630-1. S2CID 17571812。
^ Soltani, AA; Huang, H.; Wu, J.; Kulkarni, TD; Tenenbaum, JB (2017)。「ディープジェネレーティブネットワークによるマルチビューデプスマップとシルエットのモデリングによる 3D 形状の合成」。IEEEコンピュータービジョンおよびパターン認識会議の議事録。pp. 1511–1519 – GitHub 経由。
^ Horn, Berthold KP. 「シェーディングからの形状: 1 つのビューから滑らかな不透明なオブジェクトの形状を取得する方法」(1970)。
^ Woodham, Robert J. (1980). 「複数の画像から表面の向きを決定する測光法」(PDF) .光学工学. 19 (1): 138–141. Bibcode :1980OptEn..19..139W. doi :10.1117/12.7972479. 2014-03-27にオリジナル(PDF)からアーカイブ。
^ Witkin, Andrew P. (1981). 「テクスチャから表面の形状と向きを復元する」(PDF) .人工知能. 17 (1–3): 17–45. doi :10.1016/0004-3702(81)90019-9.
^ Feng, Qi; Shum, Hubert PH; Morishima, Shigeo (2022). 「360 度の深度推定を野外で実施 - Depth360 データセットと SegFuse ネットワーク」。2022 IEEEバーチャルリアリティおよび 3D ユーザーインターフェイス (VR) 会議。IEEE。pp. 664–673。arXiv : 2202.08010。doi : 10.1109 / VR51125.2022.00087。ISBN 978-1-6654-9617-9。
^ 野澤直樹; シュム・ヒューバートPH; フェン・チー; ホー・エドモンドSL; 森島茂雄 (2022). 「GANと遅延学習を用いた輪郭スケッチからの3D車形状再構築」. Visual Computer . 38 (4). Springer: 1317–1330. doi : 10.1007/s00371-020-02024-y . ISSN 1432-2315.
^ Corona-Figueroa, Abril; Bond-Taylor, Sam; Bhowmik, Neelanjan; Gaus, Yona Falinie A.; Breckon, Toby P.; Shum, Hubert PH; Willcocks, Chris G. (2023).トランスフォーマーを使用した条件付きベクトル量子化コード拡散による非整列 2D から 3D への変換IEEE/CVF. arXiv : 2308.14152 .
^ Kass, Michael; Witkin, Andrew; Terzopoulos, Demetri (1988). 「Snakes: アクティブ輪郭モデル」(PDF) . International Journal of Computer Vision . 1 (4): 321–331. doi :10.1007/BF00133570. S2CID 12849354.
^ McCoun、Jacques、Lucien Reeves。両眼視：発達、奥行き知覚および障害。Nova Science Publishers、Inc.、2010年。
^ マフムードザデ、アフマドレザ;イェガネ、セイナ・フィルージ。ゴルルー、アミール (2019-07-09)。「RGB-Dセンサーを用いた3D舗装面再構成」。arXiv : 1907.04124 [cs.CV]。
^ Carranza, Joel、他「人間俳優の自由視点ビデオ」ACM Transactions on Graphics。第 22 巻、第 3 号。ACM、2003 年。
^ Thrun, Sebastian. 「ロボットによるマッピング：調査」新世紀における人工知能の探究 1.1-35 (2002): 1.
^ Poullis, Charalambos; You, Suya (2011 年 5 月)。「都市部の 3D 再構築」。2011 3D イメージング、モデリング、処理、視覚化、伝送に関する国際会議。pp . 33–40。doi :10.1109/3dimpvt.2011.14。ISBN 978-1-61284-429-9.S2CID 1189988 。
^ Xu、Fang、Klaus Mueller。「市販のグラフィックスハードウェアを使用したリアルタイム 3D コンピューター断層撮影再構成」Wayback Machineに 2016 年 3 月 19 日にアーカイブされました。Physics in Medicine & Biology 52.12 (2007): 3405。
^ ab Mortara, Michela、et al.「シリアスゲームによる文化遺産の学習」Journal of Cultural Heritage 15.3 (2014): 318-325。
^ Bruno, Fabio; et al. (2010年1月 ～ 3月)。「3D再構築からバーチャルリアリティへ：デジタル考古学展示のための完全な方法論」。Journal of Cultural Heritage。11 (1): 42–49。doi : 10.1016 /j.culher.2009.02.006 – ResearchGate経由。
^ Izadi、Shahram、他「KinectFusion: 動く深度カメラを使用したリアルタイム 3D 再構築とインタラクション」第 24 回 ACM ユーザーインターフェイスソフトウェアおよびテクノロジシンポジウム議事録。ACM、2011 年。
^ Wang, Jun; Gu, Dongxiao; Yu, Zeyun; Tan, Changbai ; Zhou, Laishui (2012 年 12 月)。「リバースエンジニアリングにおける 3D モデル再構築のフレームワーク」。Computers & Industrial Engineering。63 ( 4): 1189–1200。doi :10.1016/j.cie.2012.07.009 。
^ Moeslund, Thomas B.、Erik Granum。「コンピュータビジョンベースの人間のモーションキャプチャの調査」コンピュータビジョンと画像理解 81.3 (2001): 231-268。
^ Hejrati、Mohsen、Deva Ramanan。「合成による分析：物体再構成による 3D 物体認識」IEEE コンピュータビジョンおよびパターン認識会議の議事録。2014 年。
^ Keskin、Cem、Ayse Erkan、および Lale Akarun。「HMM を使用したインタラクティブインターフェイスのリアルタイムハンドトラッキングと 3D ジェスチャ認識」ICANN/ICONIPP 2003 (2003): 26-29。
^ ab Angelopoulou, A.; Psarrou, A.; Garcia-Rodriguez, J.; Orts-Escolano, S.; Azorin-Lopez, J.; Revett, K. (2015年2月20日). 「成長神経モデルで自動的にランドマーク化されたスライスからの医療画像の3D再構築」(PDF) . Neurocomputing . 150 (Part A): 16–25. doi :10.1016/j.neucom.2014.03.078. hdl : 10045/42544 .
^ ab Edelsbrunner, Herbert; Mücke, Ernst (1994年1月). 「3次元アルファシェイプ」. ACM Trans. Graph . 13 (1): 43–72. arXiv : math/9410208 . Bibcode :1994math.....10208E. doi :10.1145/174462.156635. S2CID 1600979.
^ ab Dey, Tamal K. ; Goswami, Samrat (2006 年 8 月). 「ノイズの多いサンプルからの推定表面再構成」.計算幾何学. 35 (1–2): 124–141. doi :10.1016/j.comgeo.2005.10.006.
^ Lorensen, William E.; Cline, Harvey E. (1987 年 7 月). 「Marching Cubes: 高解像度 3D サーフェス構築アルゴリズム」. ACM SIGGRAPH Computer Graphics . 21 (4): 163–169. CiteSeerX 10.1.1.545.613 . doi :10.1145/37402.37422.
^ Hoppe, Hugues; DeRose, Tony; Duchamp, Tom; McDonald, John; Stuetzle, Werner (1992 年 7 月). 「未整理点からの表面再構成」. ACM SIGGRAPH コンピュータグラフィックス. 26 (2): 71–78. CiteSeerX 10.1.1.5.3672 . doi :10.1145/142920.134011.
^ Carr, JC; Beatson, RK; Cherrie, JB; Mitchell, TJ; Fright, WR; McCallum, BC; Evans, TR (2001). 「ラジアル基底関数による 3D オブジェクトの再構築と表現」(PDF)。第 28 回コンピュータグラフィックスおよびインタラクティブ技術に関する年次会議 SIGGRAPH 2001。ACM。pp. 67–76。
^ Walder, C.; Schölkopf, B.; Chapelle, O. (2006). 「Implicit Surface Modelling with a Globally Regularised Basis of Compact Support」（PDF） . Eurographics . 25 (3). 2017-09-22にオリジナル（PDF）からアーカイブ。 2018-10-09に取得。
^ Wang, CL (2006 年 6 月). 「メッシュサーフェス上のシャープエッジの増分再構築」.コンピュータ支援設計. 38 (6): 689–702. doi :10.1016/j.cad.2006.02.009.
^ Connolly, C. (1984). 「範囲データからのオクトリーモデルの累積生成」。議事録。1984 IEEE 国際ロボット工学およびオートメーション会議。第 1 巻。pp. 25–32。doi : 10.1109 /ROBOT.1984.1087212。

外部リンク

ディープジェネレーティブネットワークを使用したマルチビューデプスマップとシルエットのモデリングによる 3D 形状の合成 - マルチビューデプスマップまたはシルエットのモデリングにより 3D 形状を生成および再構築します。

外部リンク

http://www.nature.com/subjects/3d-reconstruction#news-and-comment
http://6.869.csail.mit.edu/fa13/lectures/lecture11shapefromX.pdf
http://research.microsoft.com/apps/search/default.aspx?q=3d+reconstruction
https://research.google.com/search.html#q=3D%20再構築

[1] Moons, Theo、Luc Van Gool、Maarten Vergauwen。「複数の画像からの 3D 再構築パート 1: 原理」『コンピュータグラフィックスとビジョンの基礎と動向 4.4』(2010): 287-404。

[2] Zollhöfer, Michael、他「RGB-D カメラを使用したリアルタイム非剛体再構成」ACM Transactions on Graphics 33.4 (2014): 156。

[3] 「3Dモデリングの未来」GarageFarm 2017年5月27日2017年5月27日閲覧。

[Zheng-4] Liping Zheng; Guangyao Li; Jing Sha (2007). 「医療画像の 3D 再構成の調査」。Luo, Qingming; Wang, Lihong V.; Tuchin, Valery V.; Gu, Min (編)。第 5 回国際生物学および医学におけるフォトニクスとイメージング会議。SPIE 議事録。第 6534 巻。pp . 65342K–65342K–6。doi :10.1117/12.741321。S2CID 62548928 。

[5] Vosselman, George、および Sander Dijkman。「ポイントクラウドと平面図からの 3D 建物モデルの再構築」国際写真測量アーカイブ、リモートセンシングおよび空間情報科学 34.3/W4 (2001): 37-44。

[6] Colesanti, Carlo、Janusz Wasowski。「宇宙搭載合成開口レーダー（SAR）干渉計による地滑りの調査」工学地質学 88.3-4（2006）：173-199。

[Mahmoudzadeh_1655-7] Mahmoudzadeh, Ahmadreza; Golroo, Amir; Jahanshahi, Mohammad R.; Firoozi Yeganeh, Sayna (2019年1月). 「安価なRGB-Dセンサーから取得した色と深度のデータを融合して舗装の粗さを推定する」.センサー. 19 (7): 1655. Bibcode :2019Senso..19.1655M. doi : 10.3390/s19071655 . PMC 6479490. PMID 30959936 .

[8] Buelthoff, Heinrich H.、および Alan L. Yuille。「Shape-from-X: 心理物理学と計算」Wayback Machineで 2011-01-07 にアーカイブされました。Fibers' 91、マサチューセッツ州ボストン。国際光学およびフォトニクス協会、1991 年。

[9] ムーンズ、テオ (2010).複数の画像からの 3D 再構成。パート 1、原則。グール、リュック・ヴァン、ヴェルゴーウェン、マールテン。マサチューセッツ州ハノーバー: Now Publishers, Inc. ISBN 978-1-60198-285-8. OCLC 607557354.

[10] ^ Saxena, Ashutosh; Sun, Min; Ng, Andrew Y. ( 2007). 「単眼ビジョンを使用したスパースビューからの3D再構築」。2007 IEEE 11th International Conference on Computer Vision。pp . 1–8。CiteSeerX 10.1.1.78.5303。doi : 10.1109 / ICCV.2007.4409219。ISBN 978-1-4244-1630-1. S2CID 17571812。

[3DVAE-11] Soltani, AA; Huang, H.; Wu, J.; Kulkarni, TD; Tenenbaum, JB (2017)。「ディープジェネレーティブネットワークによるマルチビューデプスマップとシルエットのモデリングによる 3D 形状の合成」。IEEEコンピュータービジョンおよびパターン認識会議の議事録。pp. 1511–1519 – GitHub 経由。

[12] Horn, Berthold KP. 「シェーディングからの形状: 1 つのビューから滑らかな不透明なオブジェクトの形状を取得する方法」(1970)。

[13] Woodham, Robert J. (1980). 「複数の画像から表面の向きを決定する測光法」(PDF) .光学工学. 19 (1): 138–141. Bibcode :1980OptEn..19..139W. doi :10.1117/12.7972479. 2014-03-27にオリジナル(PDF)からアーカイブ。

[14] Witkin, Andrew P. (1981). 「テクスチャから表面の形状と向きを復元する」(PDF) .人工知能. 17 (1–3): 17–45. doi :10.1016/0004-3702(81)90019-9.

[feng22depth-15] Feng, Qi; Shum, Hubert PH; Morishima, Shigeo (2022). 「360 度の深度推定を野外で実施 - Depth360 データセットと SegFuse ネットワーク」。2022 IEEEバーチャルリアリティおよび 3D ユーザーインターフェイス (VR) 会議。IEEE。pp. 664–673。arXiv : 2202.08010。doi : 10.1109 / VR51125.2022.00087。ISBN 978-1-6654-9617-9。

[nozawa21car-16] 野澤直樹; シュム・ヒューバートPH; フェン・チー; ホー・エドモンドSL; 森島茂雄 (2022). 「GANと遅延学習を用いた輪郭スケッチからの3D車形状再構築」. Visual Computer . 38 (4). Springer: 1317–1330. doi : 10.1007/s00371-020-02024-y . ISSN 1432-2315.

[coronafigueroaa23unaligned-17] Corona-Figueroa, Abril; Bond-Taylor, Sam; Bhowmik, Neelanjan; Gaus, Yona Falinie A.; Breckon, Toby P.; Shum, Hubert PH; Willcocks, Chris G. (2023).トランスフォーマーを使用した条件付きベクトル量子化コード拡散による非整列 2D から 3D への変換IEEE/CVF. arXiv : 2308.14152 .

[18] Kass, Michael; Witkin, Andrew; Terzopoulos, Demetri (1988). 「Snakes: アクティブ輪郭モデル」(PDF) . International Journal of Computer Vision . 1 (4): 321–331. doi :10.1007/BF00133570. S2CID 12849354.

[19] McCoun、Jacques、Lucien Reeves。両眼視：発達、奥行き知覚および障害。Nova Science Publishers、Inc.、2010年。

[20] マフムードザデ、アフマドレザ;イェガネ、セイナ・フィルージ。ゴルルー、アミール (2019-07-09)。「RGB-Dセンサーを用いた3D舗装面再構成」。arXiv : 1907.04124 [cs.CV]。

[21] Carranza, Joel、他「人間俳優の自由視点ビデオ」ACM Transactions on Graphics。第 22 巻、第 3 号。ACM、2003 年。

[22] Thrun, Sebastian. 「ロボットによるマッピング：調査」新世紀における人工知能の探究 1.1-35 (2002): 1.

[23] Poullis, Charalambos; You, Suya (2011 年 5 月)。「都市部の 3D 再構築」。2011 3D イメージング、モデリング、処理、視覚化、伝送に関する国際会議。pp . 33–40。doi :10.1109/3dimpvt.2011.14。ISBN 978-1-61284-429-9.S2CID 1189988 。

[24] Xu、Fang、Klaus Mueller。「市販のグラフィックスハードウェアを使用したリアルタイム 3D コンピューター断層撮影再構成」Wayback Machineに 2016 年 3 月 19 日にアーカイブされました。Physics in Medicine & Biology 52.12 (2007): 3405。

[Mortara-25] Mortara, Michela、et al.「シリアスゲームによる文化遺産の学習」Journal of Cultural Heritage 15.3 (2014): 318-325。

[26] ^ Bruno, Fabio; et al. (2010年1月 ～ 3月)。「3D再構築からバーチャルリアリティへ：デジタル考古学展示のための完全な方法論」。Journal of Cultural Heritage。11 (1): 42–49。doi : 10.1016 /j.culher.2009.02.006 – ResearchGate経由。

[27] Izadi、Shahram、他「KinectFusion: 動く深度カメラを使用したリアルタイム 3D 再構築とインタラクション」第 24 回 ACM ユーザーインターフェイスソフトウェアおよびテクノロジシンポジウム議事録。ACM、2011 年。

[28] ^ Wang, Jun; Gu, Dongxiao; Yu, Zeyun; Tan, Changbai ; Zhou, Laishui (2012 年 12 月)。「リバースエンジニアリングにおける 3D モデル再構築のフレームワーク」。Computers & Industrial Engineering。63 ( 4): 1189–1200。doi :10.1016/j.cie.2012.07.009 。

[29] Moeslund, Thomas B.、Erik Granum。「コンピュータビジョンベースの人間のモーションキャプチャの調査」コンピュータビジョンと画像理解 81.3 (2001): 231-268。

[30] Hejrati、Mohsen、Deva Ramanan。「合成による分析：物体再構成による 3D 物体認識」IEEE コンピュータビジョンおよびパターン認識会議の議事録。2014 年。

[31] Keskin、Cem、Ayse Erkan、および Lale Akarun。「HMM を使用したインタラクティブインターフェイスのリアルタイムハンドトラッキングと 3D ジェスチャ認識」ICANN/ICONIPP 2003 (2003): 26-29。

[:0-32] Angelopoulou, A.; Psarrou, A.; Garcia-Rodriguez, J.; Orts-Escolano, S.; Azorin-Lopez, J.; Revett, K. (2015年2月20日). 「成長神経モデルで自動的にランドマーク化されたスライスからの医療画像の3D再構築」(PDF) . Neurocomputing . 150 (Part A): 16–25. doi :10.1016/j.neucom.2014.03.078. hdl : 10045/42544 .

[:1-33] Edelsbrunner, Herbert; Mücke, Ernst (1994年1月). 「3次元アルファシェイプ」. ACM Trans. Graph . 13 (1): 43–72. arXiv : math/9410208 . Bibcode :1994math.....10208E. doi :10.1145/174462.156635. S2CID 1600979.

[:2-34] Dey, Tamal K. ; Goswami, Samrat (2006 年 8 月). 「ノイズの多いサンプルからの推定表面再構成」.計算幾何学. 35 (1–2): 124–141. doi :10.1016/j.comgeo.2005.10.006.

[35] Lorensen, William E.; Cline, Harvey E. (1987 年 7 月). 「Marching Cubes: 高解像度 3D サーフェス構築アルゴリズム」. ACM SIGGRAPH Computer Graphics . 21 (4): 163–169. CiteSeerX 10.1.1.545.613 . doi :10.1145/37402.37422.

[36] Hoppe, Hugues; DeRose, Tony; Duchamp, Tom; McDonald, John; Stuetzle, Werner (1992 年 7 月). 「未整理点からの表面再構成」. ACM SIGGRAPH コンピュータグラフィックス. 26 (2): 71–78. CiteSeerX 10.1.1.5.3672 . doi :10.1145/142920.134011.

[37] Carr, JC; Beatson, RK; Cherrie, JB; Mitchell, TJ; Fright, WR; McCallum, BC; Evans, TR (2001). 「ラジアル基底関数による 3D オブジェクトの再構築と表現」(PDF)。第 28 回コンピュータグラフィックスおよびインタラクティブ技術に関する年次会議 SIGGRAPH 2001。ACM。pp. 67–76。

[38] Walder, C.; Schölkopf, B.; Chapelle, O. (2006). 「Implicit Surface Modelling with a Globally Regularised Basis of Compact Support」（PDF） . Eurographics . 25 (3). 2017-09-22にオリジナル（PDF）からアーカイブ。 2018-10-09に取得。

[39] Wang, CL (2006 年 6 月). 「メッシュサーフェス上のシャープエッジの増分再構築」.コンピュータ支援設計. 38 (6): 689–702. doi :10.1016/j.cad.2006.02.009.

[40] Connolly, C. (1984). 「範囲データからのオクトリーモデルの累積生成」。議事録。1984 IEEE 国際ロボット工学およびオートメーション会議。第 1 巻。pp. 25–32。doi : 10.1109 /ROBOT.1984.1087212。