MARC

 008260126s2025        us                              c    eng  d
■001000017359779
■00520260202105212
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291564776
■035    ▼a(MiAaPQ)AAI32271721
■035    ▼a(MiAaPQ)umichrackham006253
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aRockwell,  Chris.
■24510▼aMinimal  3D  Priors  for  Sparse  View  Reconstruction
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a173  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Fouhey,  David  F.;Johnson,  Justin.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aSparse  view  reconstruction  is  a  fundamental  problem  in  computer  vision  with  applications  in  extended  reality,  generative  AI  and  robotics.  Unfortunately,  while  learned  methods  have  found  great  success  in  2D  and  more  recently  dense  view  3D,  obtaining  3D  from  sparse  views  is  an  under-constrained  problem  challenging  state-of-the-art  models.  The  overarching  idea  of  this  dissertation  is  that  we  need  only  to  introduce  minimal  3D  priors  to  these  learned  methods  to  significantly  improve  sparse  view  performance.  We  focus  on  the  central  tasks  of  novel  view  synthesis  and  relative  camera  pose  estimation,  proposing  state-of-the-art  published  frameworks  containing  thorough  comparison  with  prior  methods  and  ablations,  confirming  the  effectiveness  of  the  proposed  3D  priors.  "PixelSynth"  approaches  the  task  of  novel  view  synthesis  across  large  view  changes  given  a  single  image.  This  is  a  challenging  task  requiring  the  model  to  imagine  new  content,  and  produce  it  in  a  manner  consistent  with  other  generated  views.  While  prior  work  is  not  up  to  this  task,  our  contribution  of  3D-Consistent  Scene  Extrapolation  achieves  high-quality  and  consistent  extrapolations  by  incorporating  a  3D  representation  into  a  generative  model.  "The  8-Point  ViT"  estimates  relative  camera  pose,  including  scale,  from  a  pair  of  wide-baseline  images.  We  show  adding  minimal  3D  Priors  can  enable  a  ViT  block  to  compute  entries  used  in  the  classical  8-Point  Algorithm,  leading  to  large  gains  over  prior  work,  particularly  in  the  case  of  limited  data.  We  refer  to  this  as  Geometry-Guided  Relative  Pose  Estimation.  We  further  improve  pose  performance  in  "FAR."  It  uses  the  key  insight  that  learned  methods  like  "The  8-Point  ViT"  tend  to  be  relatively  robust,  while  classical  correspondence  solvers  tend  to  be  relatively  precise.  "FAR"  utilizes  the  best  of  both  methods  in  an  adaptable  design,  producing  "Flexible,  Accurate  and  Robust"  pose  estimation.  Finally,  we  apply  a  similar  combination  of  3D  solvers  with  learned  methods  to  the  case  of  dense  views.  Armed  with  more  views,  we  show  state-of-the-art  results  in  the  highly  challenging  case  of  dynamic  Internet  video,  and  collect  the  largest  publicly  available  diverse,  dynamic  camera  pose  dataset  "DynPose-100K".
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼a3D  computer  vision
■653    ▼aSparse  view  reconstruction
■653    ▼a3D  priors
■653    ▼aCamera  pose
■690    ▼a0984
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359779▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서