論文の概要: Dense-SfM: Structure from Motion with Dense Consistent Matching

• arxiv url: http://arxiv.org/abs/2501.14277v1
• Date: Fri, 24 Jan 2025 06:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:56.994387
• Title: Dense-SfM: Structure from Motion with Dense Consistent Matching
• Title（参考訳）: Dense-SfM:Dense Consistent Matchingを用いた動きからの構造
• Authors: JongMin Lee, Sungjoo Yoo,
• Abstract要約: 多視点画像からの高密度かつ高精度な3次元再構成のための新しいフレームワークであるDense-SfMを提案する。 Dense-SfMはGaussian Splatting (GS)ベースのトラック拡張と密マッチングを統合し、より一貫性があり、より長い機能トラックを提供する。 Dense-SfMは最先端の手法よりも精度と密度が大幅に向上した。
• 参考スコア（独自算出の注目度）: 10.24418219366936
• License:
• Abstract: We present Dense-SfM, a novel Structure from Motion (SfM) framework designed for dense and accurate 3D reconstruction from multi-view images. Sparse keypoint matching, which traditional SfM methods often rely on, limits both accuracy and point density, especially in texture-less areas. Dense-SfM addresses this limitation by integrating dense matching with a Gaussian Splatting (GS) based track extension which gives more consistent, longer feature tracks. To further improve reconstruction accuracy, Dense-SfM is equipped with a multi-view kernelized matching module leveraging transformer and Gaussian Process architectures, for robust track refinement across multi-views. Evaluations on the ETH3D and Texture-Poor SfM datasets show that Dense-SfM offers significant improvements in accuracy and density over state-of-the-art methods.
• Abstract（参考訳）: Dense-SfMは,多視点画像から高密度かつ高精度な3次元再構成を実現するために設計された,新しいStructure from Motion (SfM) フレームワークである。 従来のSfM手法がしばしば依存するスパースキーポイントマッチングは、特にテクスチャレス領域において、精度と点密度の両方を制限している。 Dense-SfMはこの制限に対処し、より一貫性があり、より長い機能トラックを提供するGaussian Splatting (GS)ベースのトラック拡張と密マッチングを統合する。 Dense-SfMは、再構成精度をさらに向上するため、トランスフォーマーとガウスプロセスアーキテクチャを利用したマルチビューカーネルマッチングモジュールを備え、マルチビューにわたる堅牢なトラックリファインメントを実現している。 ETH3DとTexture-Poor SfMデータセットの評価によると、Dense-SfMは最先端の手法よりも精度と密度が大幅に向上している。

関連論文リスト

• GP-GS: Gaussian Processes for Enhanced Gaussian Splatting [10.45038376276218]
  本稿では,スパースSfM点雲の適応的および不確実性誘導密度化を実現する新しい3次元再構成フレームワークを提案する。 このパイプラインは不確実性推定を利用して、高分散予測のプルーニングを導く。 合成および実世界のデータセットで行った実験は、提案フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2025-02-04T12:50:16Z)
• 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)
• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Robust Incremental Structure-from-Motion with Hybrid Features [73.55745864762703]
  本稿では,線とその構造的幾何学的関係を利用した漸進的構造移動システム(SfM)を提案する。 我々のシステムは、SfMの広く使われている点ベースの技術と比較すると、一貫して堅牢で正確である。
  論文  参考訳（メタデータ） (2024-09-29T22:20:32Z)
• Correspondence-Guided SfM-Free 3D Gaussian Splatting for NVS [52.3215552448623]
  SfM(Structure-from-Motion)事前処理カメラのポーズのない新しいビュー合成(NVS)は、迅速な応答能力の向上と、可変動作条件に対する堅牢性の向上に不可欠である。 最近のSfMフリー手法は、ポーズ最適化を統合し、共同カメラのポーズ推定とNVSのためのエンドツーエンドフレームワークを設計している。 既存の作業の多くは、L2損失のようなピクセル単位の画像損失関数に依存している。 本研究では,NVSのためのSfMフリー3次元ガウススプラッティングを提案する。
  論文  参考訳（メタデータ） (2024-08-16T13:11:22Z)
• Distributed Global Structure-from-Motion with a Deep Front-End [11.2064188838227]
  我々は,グローバルSfMがSOTAインクリメンタルSfMアプローチ(COLMAP)と同等に機能するかどうかを検討する。 我々のSfMシステムは、分散計算を活用するためにゼロから設計されており、複数のマシン上で計算を並列化し、大規模なシーンにスケールすることができる。
  論文  参考訳（メタデータ） (2023-11-30T18:47:18Z)
• AdaSfM: From Coarse Global to Fine Incremental Adaptive Structure from Motion [48.835456049755166]
  AdaSfMは粗粒度適応型SfMアプローチであり、大規模かつ挑戦的なデータセットにスケーラブルである。 当社のアプローチはまず,低コストセンサによる計測を利用して,ビューグラフの信頼性を向上させる,粗大なグローバルSfMを実現する。 本手法では,全局所再構成をグローバルSfMの座標フレームに整合させるため,しきい値適応戦略を用いる。
  論文  参考訳（メタデータ） (2023-01-28T09:06:50Z)
• DeepMLE: A Robust Deep Maximum Likelihood Estimator for Two-view Structure from Motion [9.294501649791016]
  動きからの2次元構造(SfM)は3次元再構成と視覚SLAM(vSLAM)の基礎となる。 本稿では,2視点SfM問題を最大最大推定(MLE)として定式化し,DeepMLEと表記されるフレームワークを用いて解いた。 提案手法は,最先端の2ビューSfM手法よりも精度と一般化能力において優れる。
  論文  参考訳（メタデータ） (2022-10-11T15:07:25Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)

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。