論文の概要: TranSplat: Lighting-Consistent Cross-Scene Object Transfer with 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2503.22676v1
• Date: Fri, 28 Mar 2025 17:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:29:15.763297
• Title: TranSplat: Lighting-Consistent Cross-Scene Object Transfer with 3D Gaussian Splatting
• Title（参考訳）: TranSplat:3次元ガウススプラッティングによる光に耐性のあるクロスシーンオブジェクト転送
• Authors: Boyang, Yu, Yanlin Jin, Ashok Veeraraghavan, Akshat Dave, Guha Balakrishnan,
• Abstract要約: TranSplatはリアルなクロスシーンオブジェクト転送を可能にする3Dシーンレンダリングアルゴリズムである。 提案手法は,(1)ソースシーンからの正確な3次元オブジェクト抽出,(2)ターゲットシーンにおける移動物体の忠実なリライティングという2つの重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 19.973388916398136
• License:
• Abstract: We present TranSplat, a 3D scene rendering algorithm that enables realistic cross-scene object transfer (from a source to a target scene) based on the Gaussian Splatting framework. Our approach addresses two critical challenges: (1) precise 3D object extraction from the source scene, and (2) faithful relighting of the transferred object in the target scene without explicit material property estimation. TranSplat fits a splatting model to the source scene, using 2D object masks to drive fine-grained 3D segmentation. Following user-guided insertion of the object into the target scene, along with automatic refinement of position and orientation, TranSplat derives per-Gaussian radiance transfer functions via spherical harmonic analysis to adapt the object's appearance to match the target scene's lighting environment. This relighting strategy does not require explicitly estimating physical scene properties such as BRDFs. Evaluated on several synthetic and real-world scenes and objects, TranSplat yields excellent 3D object extractions and relighting performance compared to recent baseline methods and visually convincing cross-scene object transfers. We conclude by discussing the limitations of the approach.
• Abstract（参考訳）: 本稿では,ガウススティングフレームワークをベースとした3次元シーンレンダリングアルゴリズムTranSplatを提案する。 提案手法は,(1)ソースシーンからの正確な3次元オブジェクト抽出,(2)対象シーンにおける移動物体の忠実なリライティングという2つの重要な課題に対処する。 TranSplatは2Dオブジェクトマスクを使用して細かな3Dセグメンテーションを駆動することで、ソースシーンにスプレイティングモデルを適用する。 TranSplatは、ターゲットシーンにオブジェクトをユーザガイドで挿入した後、位置と方向の自動精細化とともに、球面調和解析により、ターゲットシーンの照明環境に合わせてオブジェクトの外観を調整するために、ガウスの放射率伝達関数を導出する。 このリライト戦略は、BRDFなどの物理的シーン特性を明示的に推定する必要はない。 TranSplatは、いくつかの合成および現実世界のシーンやオブジェクトに基づいて評価され、最近のベースライン法や視覚的にクロスシーンのオブジェクト転送と比較して、優れた3Dオブジェクト抽出とライティング性能が得られる。 アプローチの限界について論じることで結論付けます。

関連論文リスト

• TranSplat: Surface Embedding-guided 3D Gaussian Splatting for Transparent Object Manipulation [10.957451368533302]
  TranSplat は透明物体に適した表面埋め込み誘導型3次元ガウス散乱法である。 これらの表面埋め込みと入力されたRGB画像を統合することで、TranSplatは透明な表面の複雑さを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-02-11T03:43:56Z)
• T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
  映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。 我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:45:24Z)
• LidaRefer: Outdoor 3D Visual Grounding for Autonomous Driving with Transformers [1.0589208420411014]
  LidaReferは、大規模な屋外シーン用に設計されたトランスフォーマーベースの3DVGフレームワークである。 本稿では,デコーダのクエリを監督し,曖昧なオブジェクトをローカライズする,シンプルで効果的なローカライズ手法を提案する。 LidaReferは、自動運転のための3DVGデータセットであるTalk2Car-3Dで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-11-07T01:12:01Z)
• HUGS: Holistic Urban 3D Scene Understanding via Gaussian Splatting [53.6394928681237]
  RGB画像に基づく都市景観の全体的理解は、難しいが重要な問題である。 我々の主な考え方は、静的な3Dガウスと動的なガウスの組合せを用いた幾何学、外観、意味論、運動の合同最適化である。 提案手法は,2次元および3次元のセマンティック情報を高精度に生成し,新たな視点をリアルタイムに描画する機能を提供する。
  論文  参考訳（メタデータ） (2024-03-19T13:39:05Z)
• SceneWiz3D: Towards Text-guided 3D Scene Composition [134.71933134180782]
  既存のアプローチでは、大規模なテキスト・ツー・イメージモデルを使用して3D表現を最適化するか、オブジェクト中心のデータセット上で3Dジェネレータをトレーニングする。 テキストから高忠実度3Dシーンを合成する新しい手法であるSceneWiz3Dを紹介する。
  論文  参考訳（メタデータ） (2023-12-13T18:59:30Z)
• Generating Visual Spatial Description via Holistic 3D Scene Understanding [88.99773815159345]
  視覚空間記述(VSD)は、画像内の対象物の空間的関係を記述するテキストを生成することを目的としている。 外部の3Dシーン抽出器を用いて,入力画像の3Dオブジェクトとシーン特徴を抽出する。 対象物の中心となる3次元空間シーングラフ(Go3D-S2G)を構築し,対象物の空間意味を総合的な3次元シーン内にモデル化する。
  論文  参考訳（メタデータ） (2023-05-19T15:53:56Z)
• CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
  本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。 我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。 3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
  論文  参考訳（メタデータ） (2022-09-13T05:26:09Z)
• Towards 3D Scene Understanding by Referring Synthetic Models [65.74211112607315]
  メソッドは通常、実際のシーンスキャンにおける過剰なアノテーションを緩和する。 合成モデルは、合成特徴の実際のシーンカテゴリを、統一された特徴空間にどのように依存するかを考察する。 実験の結果,ScanNet S3DISデータセットの平均mAPは46.08%,学習データセットは55.49%であった。
  論文  参考訳（メタデータ） (2022-03-20T13:06:15Z)

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。