Front2Back: Single View 3D Shape Reconstruction via Front to Back\n Prediction
Notice bibliographique
Résumé
Reconstruction of a 3D shape from a single 2D image is a classical computer\nvision problem, whose difficulty stems from the inherent ambiguity of\nrecovering occluded or only partially observed surfaces. Recent methods address\nthis challenge through the use of largely unstructured neural networks that\neffectively distill conditional mapping and priors over 3D shape. In this work,\nwe induce structure and geometric constraints by leveraging three core\nobservations: (1) the surface of most everyday objects is often almost entirely\nexposed from pairs of typical opposite views; (2) everyday objects often\nexhibit global reflective symmetries which can be accurately predicted from\nsingle views; (3) opposite orthographic views of a 3D shape share consistent\nsilhouettes. Following these observations, we first predict orthographic 2.5D\nvisible surface maps (depth, normal and silhouette) from perspective 2D images,\nand detect global reflective symmetries in this data; second, we predict the\nback facing depth and normal maps using as input the front maps and, when\navailable, the symmetric reflections of these maps; and finally, we reconstruct\na 3D mesh from the union of these maps using a surface reconstruction method\nbest suited for this data. Our experiments demonstrate that our framework\noutperforms state-of-the art approaches for 3D shape reconstructions from 2D\nand 2.5D data in terms of input fidelity and details preservation.\nSpecifically, we achieve 12% better performance on average in ShapeNet\nbenchmark dataset, and up to 19% for certain classes of objects (e.g., chairs\nand vessels).\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».