論文の概要: PanDORA: Casual HDR Radiance Acquisition for Indoor Scenes

• arxiv url: http://arxiv.org/abs/2407.06150v2
• Date: Sat, 04 Oct 2025 00:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.225266
• Title: PanDORA: Casual HDR Radiance Acquisition for Indoor Scenes
• Title（参考訳）: PanDORA: 屋内シーンのためのカジュアルHDRラジアンス買収
• Authors: Mohammad Reza Karimi Dastjerdi, Dominique Tanguay-Gaudreau, Frédéric Fortier-Chouinard, Yannick Hold-Geoffroy, Claude Demers, Nima Kalantari, Jean-François Lalonde,
• Abstract要約: PanDORA: PANoramic Dual-Observer Radiance Acisitionは、屋内環境のカジュアルで高品質な捕捉を目的としたシステムである。 われわれのアプローチでは、ポータブルモノポッドに装着された2台の360度カメラを使用して、2台のパノラマ360度ビデオを同時に記録する。 得られた映像データは、2段階のNeRFベースのアルゴリズムによって処理され、高速かつよく露呈されたフレームの微調整のためのアルゴリズムを含む。
• 参考スコア（独自算出の注目度）: 19.24921332561405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most novel view synthesis methods-including Neural Radiance Fields (NeRF)-struggle to capture the true high dynamic range (HDR) radiance of scenes. This is primarily due to their dependence on low dynamic range (LDR) images from conventional cameras. Exposure bracketing techniques aim to address this challenge, but they introduce a considerable time burden during the acquisition process. In this work, we introduce PanDORA: PANoramic Dual-Observer Radiance Acquisition, a system designed for the casual, high quality HDR capture of indoor environments. Our approach uses two 360{\deg} cameras mounted on a portable monopod to simultaneously record two panoramic 360{\deg} videos: one with standard exposure and another at fast shutter speed. The resulting video data is processed by a proposed two-stage NeRF-based algorithm, including an algorithm for the fine alignment of the fast- and well-exposed frames, generating non-saturated HDR radiance maps. Compared to existing methods on a novel dataset of real indoor scenes captured with our apparatus and including HDR ground truth lighting, PanDORA achieves superior visual fidelity and provides a scalable solution for capturing real environments in HDR.
• Abstract（参考訳）: シーンの真の高ダイナミックレンジ(HDR)ラディアンスを捉えるため,NeRF(Neural Radiance Fields)-struggleを含む新しいビュー合成法がほとんどである。 これは主に、従来のカメラからの低ダイナミックレンジ(LDR)画像に依存しているためである。 露光ブラケット技術はこの課題に対処することを目的としているが、彼らは取得プロセス中にかなりの時間的負担を課している。 本研究では,室内環境のカジュアルで高品質なHDRキャプチャシステムである PanDORA: PANoramic Dual-Observer Radisition を紹介する。 私たちのアプローチでは、ポータブルモノポッドに装着された2つの360{\deg}カメラを使用して、2つのパノラマ360{\deg}ビデオを同時に記録します。 得られた映像データは、2段階のNeRFベースのアルゴリズムによって処理され、高速・高露光フレームの微調整のためのアルゴリズムを含み、不飽和HDR放射率マップを生成する。 実際の屋内シーンをHDRで撮影し,HDR地上の真理照明を含む新しい屋内シーンのデータセット上での既存の手法と比較して,PanDORAは優れた視覚的忠実性を実現し,HDR内の実環境を捉えるためのスケーラブルなソリューションを提供する。

関連論文リスト

• CasualHDRSplat: Robust High Dynamic Range 3D Gaussian Splatting from Casually Captured Videos [15.52886867095313]
  ニューラルレイディアンスフィールド(NeRF)や3Dスプレイティング(3DGS)などの多視点画像からのフォトリアリスティックな新しいビューレンダリングは、優れた性能のために広く注目を集めている。 textbfSplatには、連続時間軌跡制約を撮像プロセスに適用する、統一的な微分可能な物理イメージングモデルが含まれている。 実験により、我々の手法はロバスト性と品質の点で既存の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） (2025-04-24T16:42:37Z)
• Exposure Completing for Temporally Consistent Neural High Dynamic Range Video Rendering [17.430726543786943]
  本稿では,不在な露光情報を完成させることで,HDRフレームを描画する新しいパラダイムを提案する。 提案手法では, 隣接LDRフレームを時間次元で補間し, 露出の欠如に対してLDRフレームを再構成する。 これにより、HDR結果の融合プロセスの恩恵を受け、ノイズやゴーストを低減し、時間的一貫性を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-18T09:13:08Z)
• Cinematic Gaussians: Real-Time HDR Radiance Fields with Depth of Field [23.92087253022495]
  放射場法は、多視点写真から複雑なシーンを再構成する際の技法の状態を表現している。 ピンホールカメラモデルへの依存は、すべてのシーン要素が入力画像に集中していると仮定し、実用的な課題を提示し、新規な視点合成において再焦点を複雑にする。 様々な露光時間,開口の放射率,焦点距離を多視点LDR画像を用いて高ダイナミックレンジシーンを再構成する3Dガウススメッティングに基づく軽量解析手法を提案する。
  論文  参考訳（メタデータ） (2024-06-11T15:00:24Z)
• HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
  既存のHDR NVS法は主にNeRFに基づいている。 訓練時間は長く、推論速度は遅い。 我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:58Z)
• Fast High Dynamic Range Radiance Fields for Dynamic Scenes [39.3304365600248]
  我々はHDR-HexPlaneという動的HDR NeRFフレームワークを提案し、様々な露出で捉えた動的2D画像から3Dシーンを学習する。 提案したモデルでは、任意の時点における高品質なノベルビュー画像を、望まれる露光でレンダリングすることができる。
  論文  参考訳（メタデータ） (2024-01-11T17:15:16Z)
• Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry from Sparse Low Dynamic Range Panoramic Images [82.1477261107279]
  そこで本研究では,Sparse LDRパノラマ画像からの照射場を用いて,忠実な幾何復元のための観測回数を増やすことを提案する。 実験により、照射場は幾何復元とHDR再構成の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-26T08:10:22Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• Casual Indoor HDR Radiance Capture from Omnidirectional Images [6.558757117312684]
  そこで本研究では,屋内大シーンの高分解能フルHDR放射場をカジュアルに捉える新しいパイプラインであるPano-NeRFについて紹介する。 結果のPano-NeRFパイプラインは、シーンの任意の場所から完全なHDRパノラマを推定することができる。
  論文  参考訳（メタデータ） (2022-08-16T18:45:27Z)
• Self-supervised HDR Imaging from Motion and Exposure Cues [14.57046548797279]
  本稿では,学習可能なHDR推定のための新たな自己教師型アプローチを提案する。 実験の結果,提案手法を用いて訓練したHDRモデルは,全監督下で訓練したモデルと性能の競争力を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-03-23T10:22:03Z)
• Multi-Bracket High Dynamic Range Imaging with Event Cameras [46.81570594990517]
  本稿では,標準カメラとイベントカメラを組み合わせた最初のマルチブラケットHDRパイプラインを提案する。 以上の結果から,PSNRの合成データでは最大5dB,実世界のデータでは最大0.7dBの改善が得られた。
  論文  参考訳（メタデータ） (2022-03-13T11:10:47Z)
• Neural Radiance Fields for Outdoor Scene Relighting [70.97747511934705]
  ニューラルラジアンス場に基づく屋外シーンライティングのための最初のアプローチであるNeRF-OSRを提案する。 従来の技術とは対照的に,本手法はシーン照明とカメラ視点の同時編集を可能にする。 シャドウ再現のための専用ネットワークも備えており、高品質の屋外照明に欠かせない。
  論文  参考訳（メタデータ） (2021-12-09T18:59:56Z)
• HDR-NeRF: High Dynamic Range Neural Radiance Fields [70.80920996881113]
  我々は、低ダイナミックレンジ(LDR)ビューの集合からHDR放射界を異なる露光で復元するために、高ダイナミックレンジニューラルレイディアンス場(-NeRF)を提案する。 異なる露出下で、新しいHDRビューと新しいLDRビューの両方を生成することができる。
  論文  参考訳（メタデータ） (2021-11-29T11:06:39Z)

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。