#239
summarized by : 榎本
Dynamic Fluid Surface Reconstruction Using Deep Neural Network

どんな論文か?

動的3次元流体表面の再構成を行うには、複数ビューの画像が必要である。さらに、動的3次元流体表面は変化があり、光の屈折などの影響もあるため再構成することは困難なタスクである。そこで著者らは参照背景パターンの屈折歪みを解析し、流体表面の深さと法線マップを推定するCNNとビデオ入力に対して時間的に一貫した再構成を行うためのRNNの2段階処理による動的3次元流体表面の再構成手法を提案した。
placeholder

新規性

単一視点の画像から動的な3D流体表面を高精度で復元できる。

結果

著者たちが作成したデータセットで評価を行い、深さに関しては従来手法を超え、高い精度を発揮している。

その他(なぜ通ったか?等)

特定の環境下での検討ではあるが、単一視点画像から動的な3D流体表面を再構成できることの新規性の高さ。