論文の概要: Gaussian Difference: Find Any Change Instance in 3D Scenes

• arxiv url: http://arxiv.org/abs/2502.16941v1
• Date: Mon, 24 Feb 2025 08:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:54:00.983537
• Title: Gaussian Difference: Find Any Change Instance in 3D Scenes
• Title（参考訳）: ガウシアンの違い:3Dシーンでどんな変化も発見できる
• Authors: Binbin Jiang, Rui Huang, Qingyi Zhao, Yuxiang Zhang,
• Abstract要約: 3Dシーンにおけるインスタンスレベルの変更検出は、大きな課題を示す。 本稿では,現実シナリオの変化を検出する新しい手法を提案する。 提案手法は、検出精度の向上、照明変更に対する堅牢性、効率的な処理時間を提供する。
• 参考スコア（独自算出の注目度）: 6.726861447317518
• License:
• Abstract: Instance-level change detection in 3D scenes presents significant challenges, particularly in uncontrolled environments lacking labeled image pairs, consistent camera poses, or uniform lighting conditions. This paper addresses these challenges by introducing a novel approach for detecting changes in real-world scenarios. Our method leverages 4D Gaussians to embed multiple images into Gaussian distributions, enabling the rendering of two coherent image sequences. We segment each image and assign unique identifiers to instances, facilitating efficient change detection through ID comparison. Additionally, we utilize change maps and classification encodings to categorize 4D Gaussians as changed or unchanged, allowing for the rendering of comprehensive change maps from any viewpoint. Extensive experiments across various instance-level change detection datasets demonstrate that our method significantly outperforms state-of-the-art approaches like C-NERF and CYWS-3D, especially in scenarios with substantial lighting variations. Our approach offers improved detection accuracy, robustness to lighting changes, and efficient processing times, advancing the field of 3D change detection.
• Abstract（参考訳）: 3Dシーンにおけるインスタンスレベルの変更検出は、特にラベル付きイメージペア、一貫したカメラポーズ、均一な照明条件を欠いた未制御環境において、重大な課題を示す。 本稿では,現実シナリオの変化を検出する新しいアプローチを導入することで,これらの課題に対処する。 提案手法では, ガウス分布に複数の画像を埋め込み, 2つのコヒーレントな画像列のレンダリングを可能にする。 それぞれのイメージを分割し、ユニークな識別子をインスタンスに割り当て、ID比較による効率的な変更検出を容易にする。 さらに、変更マップと分類エンコーディングを利用して、4Dガウスを変化または変化に分類し、あらゆる視点から包括的な変更マップのレンダリングを可能にする。 C-NERF や CYWS-3D のような最先端の手法,特に照明変動が顕著なシナリオでは,本手法が顕著に優れていることを示す。 提案手法は, 検出精度の向上, 照度変化に対する堅牢性, 処理時間を向上し, 3次元変化検出の分野を推し進める。

関連論文リスト

• Decoupling Appearance Variations with 3D Consistent Features in Gaussian Splatting [50.98884579463359]
  本稿では,プラグアンドプレイ方式で外観変化を分離するDAVIGSを提案する。 ガウスレベルではなく画像レベルでレンダリング結果を変換することにより、最適化時間とメモリオーバーヘッドを最小限に抑えた外観変化をモデル化できる。 提案手法をいくつかの外観変化シーンで検証し,トレーニング時間とメモリ使用量を最小限に抑えて,最先端のレンダリング品質を実現することを実証した。
  論文  参考訳（メタデータ） (2025-01-18T14:55:58Z)
• Multi-View Pose-Agnostic Change Localization with Zero Labels [4.997375878454274]
  複数の視点から情報を統合したラベルのないポーズに依存しない変化検出手法を提案する。 ポストチェンジシーンの5つの画像で、我々のアプローチは3DGSで追加の変更チャンネルを学習できる。 変更対応の3Dシーン表現により、見当たらない視点の正確な変更マスクの生成が可能となる。
  論文  参考訳（メタデータ） (2024-12-05T06:28:54Z)
• 3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement [2.2122801766964795]
  3DGS-CDは3Dシーンにおける物体の物理的配置を検出する最初の3Dガウス散乱(3DGS)に基づく手法である。 提案手法では,異なる時間に撮影された2つの不整合画像を比較して3次元オブジェクトレベルの変化を推定する。 提案手法は,18秒以内のスパース画像を用いて,散在する環境の変化を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-11-06T07:08:41Z)
• MVGS: Multi-view-regulated Gaussian Splatting for Novel View Synthesis [22.80370814838661]
  ボリュームレンダリングにおける最近の研究、例えばNeRFや3D Gaussian Splatting (3DGS)は、レンダリング品質と効率を大幅に向上させた。 4つの重要な貢献を具現化した新しい3DGS最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T23:48:31Z)
• DGE: Direct Gaussian 3D Editing by Consistent Multi-view Editing [72.54566271694654]
  オープンな言語命令に基づいて3Dオブジェクトやシーンを編集する際の問題点を考察する。 この問題に対する一般的なアプローチは、3D編集プロセスをガイドするために2Dイメージジェネレータまたはエディタを使用することである。 このプロセスは、コストのかかる3D表現の反復的な更新を必要とするため、しばしば非効率である。
  論文  参考訳（メタデータ） (2024-04-29T17:59:30Z)
• The Change You Want to See [91.3755431537592]
  同じシーンの2つのイメージが与えられた場合、その変更を自動的に検出できることは、様々な領域で実用的応用をもたらす。 画像対の「オブジェクトレベル」変化を、視点や照明の違いにかかわらず検出することを目的として、変化検出問題に取り組む。
  論文  参考訳（メタデータ） (2022-09-28T18:10:09Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• Lightweight Multi-View 3D Pose Estimation through Camera-Disentangled Representation [57.11299763566534]
  空間校正カメラで撮影した多視点画像から3次元ポーズを復元する手法を提案する。 我々は3次元形状を利用して、入力画像をカメラ視点から切り離したポーズの潜在表現に融合する。 アーキテクチャは、カメラプロジェクション演算子に学習した表現を条件付け、ビュー当たりの正確な2次元検出を生成する。
  論文  参考訳（メタデータ） (2020-04-05T12:52:29Z)

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。