論文の概要: RecGS: Removing Water Caustic with Recurrent Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2407.10318v1
• Date: Sun, 14 Jul 2024 20:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 18:39:42.573735
• Title: RecGS: Removing Water Caustic with Recurrent Gaussian Splatting
• Title（参考訳）: RecGS:リカレントガウススプラッティングによる水源除去
• Authors: Tianyi Zhang, Weiming Zhi, Kaining Huang, Joshua Mangelson, Corina Barbalata, Matthew Johnson-Roberson,
• Abstract要約: 水の因果関係は浅海域の海底画像データでよく見られる。 画像から因果パターンを取り除く従来の方法は、注釈付きデータセットで2Dフィルタリングや事前トレーニングに依存することが多い。 本稿では,今日の光現実的3次元再構成技術である3DGSを活用する新しい手法であるRecurrent Gaussian Splattingを提案する。
• 参考スコア（独自算出の注目度）: 13.87415686123919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Water caustics are commonly observed in seafloor imaging data from shallow-water areas. Traditional methods that remove caustic patterns from images often rely on 2D filtering or pre-training on an annotated dataset, hindering the performance when generalizing to real-world seafloor data with 3D structures. In this paper, we present a novel method Recurrent Gaussian Splatting, which takes advantage of today's photorealistic 3D reconstruction technology, 3DGS, to separate caustics from seafloor imagery. With a sequence of images taken by an underwater robot, we build 3DGS recursively and decompose the caustic with low-pass filtering in each iteration. In the experiments, we analyze and compare with different methods, including joint optimization, 2D filtering, and deep learning approaches. The results show that our method can effectively separate the caustic from the seafloor, improving the visual appearance.
• Abstract（参考訳）: 水の因果関係は浅海域の海底画像データでよく見られる。 画像から因果パターンを除去する従来の方法は、注釈付きデータセットの2Dフィルタリングや事前トレーニングに依存しており、3D構造を持つ現実世界の海底データに一般化する際のパフォーマンスを妨げている。 本稿では,今日の光現実的3次元再構成技術である3DGSを利用して,海底画像から因果関係を分離する新たな手法であるRecurrent Gaussian Splattingを提案する。 水中ロボットによって撮影された一連の画像を用いて、3DGSを再帰的に構築し、各イテレーションで低パスフィルタリングで因果関係を分解する。 実験では, 共同最適化, 2次元フィルタリング, 深層学習など, 様々な手法を解析・比較した。 以上の結果から,本手法は海底から因果関係を効果的に分離し,視覚的外観を改善することが可能であることが示唆された。

関連論文リスト

• Gaussian Splashing: Direct Volumetric Rendering Underwater [6.2122699483618]
  本稿では,新しい水中シーンを140FPSでレンダリングし,再現に数分しかかからない新しい手法を提案する。 本手法は3DGSの強度と速度を画像形成モデルと統合し,散乱を捕捉する。 他の方法よりもはるかに明確で、再構成された画像や描画された画像が劇的に改善されている。
  論文  参考訳（メタデータ） (2024-11-29T10:04:38Z)
• UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
  ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。 再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-10T16:33:56Z)
• Object Modeling from Underwater Forward-Scan Sonar Imagery with Sea-Surface Multipath [16.057203527513632]
  海面近傍で撮影された物体に対する重要な貢献は、気-水界面によるマルチパスアーチファクトの解決である。 ここでは、直接目標後方散乱によって形成された物体像は、ほとんど常にゴーストや鏡部品によって破壊される。 各ビュー内の劣化したオブジェクト領域をモデル化し,ローカライズし,破棄することにより,復元された3次元形状の歪みを回避する。
  論文  参考訳（メタデータ） (2024-09-10T18:46:25Z)
• Z-Splat: Z-Axis Gaussian Splatting for Camera-Sonar Fusion [20.464224937528222]
  3Dシーンを再構成するためのコンピュータビジョンとグラフィックにおいて、微分可能な3D-ガウススプラッティング(GS)が顕著な技術として登場している。 GSはよく知られた「抜ける円錐」問題に悩まされており、深さ軸に沿った再建が不十分である。 RGBカメラデータとソナーデータを同時に利用する融合アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-06T17:23:43Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Mip-Splatting: Alias-free 3D Gaussian Splatting [52.366815964832426]
  3D Gaussian Splattingは素晴らしいビュー合成結果を示し、高い忠実度と効率を実現した。 ストロングアーティファクトは、サンプリングレート、例えば焦点距離やカメラ距離を変えることで観測することができる。 この現象の原因は,3次元周波数制約の欠如と2次元拡張フィルタの利用によると考えられる。
  論文  参考訳（メタデータ） (2023-11-27T13:03:09Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Seafloor-Invariant Caustics Removal from Underwater Imagery [0.0]
  コースティックス(英: Caustics)は、波面によって屈折される光線の投射によって生じる複雑な物理現象である。 本研究では,浅海底画像に対する因果関係の影響を補正する新しい手法を提案する。 特に,画像画素を"非因果的"と"因果的"に分類するために,ディープラーニングアーキテクチャを用いた。
  論文  参考訳（メタデータ） (2022-12-20T11:11:02Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Learning to Recover 3D Scene Shape from a Single Image [98.20106822614392]
  まず,未知のスケールまで深さを予測し,単一の単眼画像からシフトする2段階フレームワークを提案する。 そして、3dポイントクラウドエンコーダを使って深度シフトと焦点距離を予測し、リアルな3dシーンの形状を復元します。
  論文  参考訳（メタデータ） (2020-12-17T02:35:13Z)

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。