Fugu-MT 論文翻訳(概要): From Chaos to Clarity: 3DGS in the Dark

論文の概要: From Chaos to Clarity: 3DGS in the Dark

arxiv url: http://arxiv.org/abs/2406.08300v1
Date: Wed, 12 Jun 2024 15:00:16 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 16:26:24.108702
Title: From Chaos to Clarity: 3DGS in the Dark
Title（参考訳）: ChaosからClarityへ:3DGSは暗闇の中で
Authors: Zhihao Li, Yufei Wang, Alex Kot, Bihan Wen,
Abstract要約: 未処理の生画像のノイズは、3次元シーン表現の精度を損なう。 3D Gaussian Splatting (3DGS)はこのノイズに特に影響を受けやすい。ノイズの多い生画像からHDR 3DGSを再構成するための,新しい自己教師型学習フレームワークを提案する。
参考スコア（独自算出の注目度）: 28.232432162734437
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Novel view synthesis from raw images provides superior high dynamic range (HDR) information compared to reconstructions from low dynamic range RGB images. However, the inherent noise in unprocessed raw images compromises the accuracy of 3D scene representation. Our study reveals that 3D Gaussian Splatting (3DGS) is particularly susceptible to this noise, leading to numerous elongated Gaussian shapes that overfit the noise, thereby significantly degrading reconstruction quality and reducing inference speed, especially in scenarios with limited views. To address these issues, we introduce a novel self-supervised learning framework designed to reconstruct HDR 3DGS from a limited number of noisy raw images. This framework enhances 3DGS by integrating a noise extractor and employing a noise-robust reconstruction loss that leverages a noise distribution prior. Experimental results show that our method outperforms LDR/HDR 3DGS and previous state-of-the-art (SOTA) self-supervised and supervised pre-trained models in both reconstruction quality and inference speed on the RawNeRF dataset across a broad range of training views. Code can be found in \url{https://lizhihao6.github.io/Raw3DGS}.
Abstract（参考訳）: 低ダイナミックレンジRGB画像の再構成に比べて、原画像からの新たなビュー合成は、優れたハイダイナミックレンジ(HDR)情報を提供する。しかし、未処理の生画像の固有ノイズは、3Dシーン表現の精度を損なう。以上の結果から,3次元ガウス散乱(3DGS)は特にこのノイズの影響を受けやすいことが判明した。これらの課題に対処するために,HDR 3DGSをノイズの多い生画像から再構成する,新たな自己教師型学習フレームワークを提案する。このフレームワークは、ノイズ抽出器を統合し、騒音分布を予め活用したノイズ-ロバスト再構成損失を利用することで、3DGSを強化する。実験の結果,LawNeRFデータセットの再構成品質と推論速度の両面において,LDR/HDR 3DGSおよび従来のSOTA(State-of-the-art)モデルよりも優れた性能を示した。コードは \url{https://lizhihao6.github.io/Raw3DGS} にある。

関連論文リスト

NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文参考訳（メタデータ） (2024-11-25T07:57:17Z)
Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
論文参考訳（メタデータ） (2024-11-19T11:59:54Z)
Towards Degradation-Robust Reconstruction in Generalizable NeRF [58.33351079982745]
GNeRF(Generalizable Radiance Field)は,シーンごとの最適化を回避する手段として有効であることが証明されている。 GNeRFの強靭性は, ソース画像に現れる様々な種類の劣化に対して限定的に研究されている。
論文参考訳（メタデータ） (2024-11-18T16:13:47Z)
USP-Gaussian: Unifying Spike-based Image Reconstruction, Pose Correction and Gaussian Splatting [45.246178004823534]
スパイクカメラは、0-1ビットストリームを40kHzで撮影する革新的なニューロモルフィックカメラとして、ますます3D再構成タスクに採用されている。以前のスパイクベースの3D再構成アプローチでは、ケースケースのパイプラインを使うことが多い。本稿では,スパイクに基づく画像再構成,ポーズ補正,ガウス的スプラッティングをエンドツーエンドのフレームワークに統一する,相乗的最適化フレームワーク textbfUSP-Gaussian を提案する。
論文参考訳（メタデータ） (2024-11-15T14:15:16Z)
PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文参考訳（メタデータ） (2024-10-29T15:28:15Z)
LM-Gaussian: Boost Sparse-view 3D Gaussian Splatting with Large Model Priors [34.91966359570867]
スパースビューの再構築は本質的に不適切であり、制約を受けていない。本稿では,限られた画像から高品質な再構成を生成できるLM-Gaussianを紹介する。提案手法は,従来の3DGS法と比較してデータ取得要求を大幅に削減する。
論文参考訳（メタデータ） (2024-09-05T12:09:02Z)
Splatfacto-W: A Nerfstudio Implementation of Gaussian Splatting for Unconstrained Photo Collections [25.154665328053333]
Splatfacto-Wは、ガウスごとのニューラルカラー特徴と画像ごとの外観をレンダリングプロセスに組み込む、自明なアプローチである。提案手法は,3DGSに比べて平均5.3dBのPak Signal-to-Noise Ratio(PSNR)を向上し,NeRF法に比べて150倍のトレーニング速度を向上し,3DGSと同様のレンダリング速度を実現する。
論文参考訳（メタデータ） (2024-07-17T04:02:54Z)
WildGaussians: 3D Gaussian Splatting in the Wild [80.5209105383932]
3DGSによる閉塞や外見の変化に対処する新しいアプローチであるWildGaussiansを紹介した。我々はWildGaussianが3DGSとNeRFのベースラインを越えながら3DGSのリアルタイムレンダリング速度と一致していることを示す。
論文参考訳（メタデータ） (2024-07-11T12:41:32Z)
A Refined 3D Gaussian Representation for High-Quality Dynamic Scene Reconstruction [2.022451212187598]
近年,Neural Radiance Fields (NeRF) は3次元の3次元再構成に革命をもたらした。 3D Gaussian Splatting (3D-GS)は、ニューラルネットワークの暗黙の表現から離れ、代わりに、シーンを直接ガウス型の分布を持つ点雲として表現している。本稿では,高品質な動的シーン再構成のための高精細な3次元ガウス表現を提案する。実験の結果,提案手法は3D-GSによるメモリ使用量を大幅に削減しつつ,レンダリング品質と高速化の既存手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-05-28T07:12:22Z)
GaussianDiffusion: 3D Gaussian Splatting for Denoising Diffusion Probabilistic Models with Structured Noise [0.0]
本稿では,ガウススプラッティングに基づく3次元コンテンツ生成フレームワークについて紹介する。 3次元生成における多視点一貫性の実現という課題は、モデリングの複雑さと精度を著しく損なう。
論文参考訳（メタデータ） (2023-11-19T04:26:16Z)
Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文参考訳（メタデータ） (2023-11-02T01:53:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。