論文の概要: LBurst: Learning-Based Robotic Burst Feature Extraction for 3D Reconstruction in Low Light

• arxiv url: http://arxiv.org/abs/2410.23522v1
• Date: Thu, 31 Oct 2024 00:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:00:44.529794
• Title: LBurst: Learning-Based Robotic Burst Feature Extraction for 3D Reconstruction in Low Light
• Title（参考訳）: LBurst:低照度3次元再構成のための学習型ロボットバースト特徴抽出
• Authors: Ahalya Ravendran, Mitch Bryson, Donald G. Dansereau,
• Abstract要約: 本研究では,低照度環境下での3次元再構成を,バースト中の特徴を見出すことにより改善する学習アーキテクチャを提案する。 提案手法は,低信号対雑音比画像における高品質な真の特徴の検出と記述により,視覚的再構成を促進する。
• 参考スコア（独自算出の注目度）: 2.048226951354646
• License:
• Abstract: Drones have revolutionized the fields of aerial imaging, mapping, and disaster recovery. However, the deployment of drones in low-light conditions is constrained by the image quality produced by their on-board cameras. In this paper, we present a learning architecture for improving 3D reconstructions in low-light conditions by finding features in a burst. Our approach enhances visual reconstruction by detecting and describing high quality true features and less spurious features in low signal-to-noise ratio images. We demonstrate that our method is capable of handling challenging scenes in millilux illumination, making it a significant step towards drones operating at night and in extremely low-light applications such as underground mining and search and rescue operations.
• Abstract（参考訳）: ドローンは空中画像、マッピング、災害復旧の分野に革命をもたらした。 しかし、低照度環境におけるドローンの展開は、オンボードカメラが生み出す画質に制約される。 本稿では,バースト中の特徴を見出すことにより,低照度環境下での3次元再構成を改善するための学習アーキテクチャを提案する。 提案手法は,低信号対雑音比画像における高品質な真の特徴の検出と記述により,視覚的再構成を促進する。 本手法は, 夜間のドローンの作業や, 地中採掘, 捜索, 救助など, 極めて低照度な用途において, ミリラックス照明における挑戦的なシーンを処理できることを実証する。

関連論文リスト

• LumiGauss: High-Fidelity Outdoor Relighting with 2D Gaussian Splatting [15.11759492990967]
  LumiGaussは,2次元ガウススプラッティングによるシーンの3次元再構成と環境照明を実現する技術である。 提案手法は高品質なシーン再構成を実現し,新しい環境マップ下でのリアルな照明合成を実現する。
  論文  参考訳（メタデータ） (2024-08-06T23:41:57Z)
• LidaRF: Delving into Lidar for Neural Radiance Field on Street Scenes [73.65115834242866]
  光リアリスティックシミュレーションは、自律運転のようなアプリケーションにおいて重要な役割を果たす。 しかし, コリニアカメラの動作やスペーサーのサンプリングにより, 街路景観の再現性は低下する。 街路面のNeRF品質を改善するために,Lidarデータのより優れた利用を可能にするいくつかの知見を提案する。
  論文  参考訳（メタデータ） (2024-05-01T23:07:12Z)
• ReconFusion: 3D Reconstruction with Diffusion Priors [104.73604630145847]
  本稿では,数枚の写真を用いて現実のシーンを再構成するReconFusionを提案する。 提案手法は,合成および多視点データセットに基づいて訓練された新規なビュー合成に先立って拡散を利用する。 本手法は,観測領域の外観を保ちながら,非拘束領域における現実的な幾何学とテクスチャを合成する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:58Z)
• GANeRF: Leveraging Discriminators to Optimize Neural Radiance Fields [12.92658687936068]
  我々は、GAN(Generative Adversarial Network)を利用して、現実的な画像を生成し、それを用いて、NeRFを用いた3次元シーン再構成におけるリアリズムを強化する。 逆微分器を用いてシーンのパッチ分布を学習し、ラディアンスフィールド再構成に対するフィードバックを提供する。 レンダリングアーティファクトは、マルチビューパスレンダリング制約を課すことで、基礎となる3D表現を直接修復する。
  論文  参考訳（メタデータ） (2023-06-09T17:12:35Z)
• Diffusion in the Dark: A Diffusion Model for Low-Light Text Recognition [78.50328335703914]
  ディフュージョン・イン・ザ・ダーク (Diffusion in the Dark, DiD) は、テキスト認識のための低照度画像再構成のための拡散モデルである。 実画像上での低照度テキスト認識において,Digital DiDがSOTAの低照度手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T23:52:51Z)
• BuFF: Burst Feature Finder for Light-Constrained 3D Reconstruction [2.298932494750101]
  我々は,超低照度条件下での視覚的再構成を向上する画像バーストを直接操作する特徴検出器を開発した。 提案手法は,マルチスケールおよびマルチモーション空間を共同で探索することにより,各バースト内における明瞭なスケールと明らかな動きのキーポイントを求める。
  論文  参考訳（メタデータ） (2022-09-20T05:06:33Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)
• Burst Imaging for Light-Constrained Structure-From-Motion [4.125187280299246]
  低光環境下で得られた画像から3次元再構成を支援する画像処理技術を開発した。 バースト写真に基づく本手法は,短時間露光画像のバースト内における画像登録に直接的手法を用いる。 本手法は,低光環境下でのロボットの動作を可能にするための重要なステップであり,地中鉱山や夜間作業などの環境におけるロボットの動作に応用できる可能性がある。
  論文  参考訳（メタデータ） (2021-08-23T02:12:40Z)
• Retinex-inspired Unrolling with Cooperative Prior Architecture Search for Low-light Image Enhancement [58.72667941107544]
  低照度画像のための軽量で効果的な拡張ネットワークを構築するために,Retinex-inspired Unrolling with Architecture Search (RUAS)を提案する。 RUASは、高速かつ少ない計算リソースで、最高性能の画像強化ネットワークを得ることができます。
  論文  参考訳（メタデータ） (2020-12-10T11:51:23Z)
• Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
  低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。 本稿では,低照度画像強調のための深層学習手法を提案する。 提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
  論文  参考訳（メタデータ） (2020-07-04T06:26:44Z)

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。