論文の概要: RA-NeRF: Robust Neural Radiance Field Reconstruction with Accurate Camera Pose Estimation under Complex Trajectories

• arxiv url: http://arxiv.org/abs/2506.15242v1
• Date: Wed, 18 Jun 2025 08:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.588863
• Title: RA-NeRF: Robust Neural Radiance Field Reconstruction with Accurate Camera Pose Estimation under Complex Trajectories
• Title（参考訳）: RA-NeRF:複雑な軌跡下での高精度カメラポーズ推定によるロバスト神経放射場再構成
• Authors: Qingsong Yan, Qiang Wang, Kaiyong Zhao, Jie Chen, Bo Li, Xiaowen Chu, Fei Deng,
• Abstract要約: RA-NeRFは複雑なカメラ軌道であっても、高精度なカメラポーズを予測することができる。 RA-NeRFは、カメラポーズ推定と視覚的品質の両方において最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 21.97835451388508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) have emerged as powerful tools for 3D reconstruction and SLAM tasks. However, their performance depends heavily on accurate camera pose priors. Existing approaches attempt to address this issue by introducing external constraints but fall short of achieving satisfactory accuracy, particularly when camera trajectories are complex. In this paper, we propose a novel method, RA-NeRF, capable of predicting highly accurate camera poses even with complex camera trajectories. Following the incremental pipeline, RA-NeRF reconstructs the scene using NeRF with photometric consistency and incorporates flow-driven pose regulation to enhance robustness during initialization and localization. Additionally, RA-NeRF employs an implicit pose filter to capture the camera movement pattern and eliminate the noise for pose estimation. To validate our method, we conduct extensive experiments on the Tanks\&Temple dataset for standard evaluation, as well as the NeRFBuster dataset, which presents challenging camera pose trajectories. On both datasets, RA-NeRF achieves state-of-the-art results in both camera pose estimation and visual quality, demonstrating its effectiveness and robustness in scene reconstruction under complex pose trajectories.
• Abstract（参考訳）: Neural Radiance Fields(NeRF)と3D Gaussian Splatting(3DGS)は、3D再構成とSLAMタスクのための強力なツールとして登場した。 しかし、そのパフォーマンスはカメラの正確なポーズに大きく依存している。 既存のアプローチでは、外部制約を導入することでこの問題に対処しようとするが、特にカメラ軌道が複雑である場合、良好な精度を達成できない。 本稿では,複雑なカメラ軌道であっても高精度なカメラポーズを予測できるRA-NeRFを提案する。 インクリメンタルパイプラインの後、RA-NeRFはNeRFを光度整合性で再構成し、フロー駆動のポーズ制御を導入し、初期化と局所化の堅牢性を高める。 さらに、RA-NeRFは暗黙のポーズフィルタを用いて、カメラの動きパターンをキャプチャし、ポーズ推定のためのノイズを除去する。 提案手法を検証するため,標準評価のためのTurps/Templeデータセットと,難易度の高いカメラポーズトラジェクトリを示すNeRFBusterデータセットについて広範な実験を行った。 両データセットにおいて、RA-NeRFは、カメラポーズ推定と視覚的品質の両方において最先端の結果を達成し、複雑なポーズ軌跡下でのシーン再構築の有効性とロバスト性を示す。

関連論文リスト

• SC-NeRF: NeRF-based Point Cloud Reconstruction using a Stationary Camera for Agricultural Applications [10.199205707001436]
  本稿では,ポイントクラウド(PCD)再構築のためのNeRFベースのフレームワークを提案する。 物体が台座上で回転するときに、静止カメラで画像をキャプチャするNeRFベースのPCD再構成法を開発した。 以上の結果から,静止カメラを用いて高品質なNeRFベースの3D再構成が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-27T20:14:45Z)
• CT-NeRF: Incremental Optimizing Neural Radiance Field and Poses with Complex Trajectory [12.460959809597213]
  ポーズや深度入力を伴わないRGB画像のみを用いた逐次再構成最適化パイプラインであるCT-NeRFを提案する。 実世界の2つのデータセットであるNeRFBusterとFree-DatasetにおけるCT-NeRFの性能を評価する。
  論文  参考訳（メタデータ） (2024-04-22T06:07:06Z)
• LU-NeRF: Scene and Pose Estimation by Synchronizing Local Unposed NeRFs [56.050550636941836]
  NeRFモデルが野生で広く展開されるのを防ぐ重要な障害は、正確なカメラのポーズに依存することである。 カメラのポーズとニューラルフィールドを協調して推定するLU-NeRFという新しい手法を提案する。 LU-NeRFパイプラインは、ポーズに制限的な仮定を加えることなく、未提案のNeRFに対する事前試みより優れることを示す。
  論文  参考訳（メタデータ） (2023-06-08T17:56:22Z)
• A Comparative Neural Radiance Field (NeRF) 3D Analysis of Camera Poses from HoloLens Trajectories and Structure from Motion [0.0]
  我々はNeural Radiance Fields (NeRFs) を用いたHoloLensデータから直接の高分解能3次元再構成のためのワークフローを提案する。 NeRFは、カメラのポーズと関連する画像のセットを入力としてトレーニングし、各位置の密度と色値を推定する。 その結果、内部カメラのポーズは、x軸のまわりを単純な回転で25dBのPSNRでNeRF収束し、3D再構成を可能にすることがわかった。
  論文  参考訳（メタデータ） (2023-04-20T22:17:28Z)
• VMRF: View Matching Neural Radiance Fields [57.93631771072756]
  VMRFは、カメラポーズやカメラポーズの分布に関する事前知識を必要とせずに、効果的なNeRFトレーニングを可能にする、革新的な視野マッチングNeRFである。 VMRFは、不均衡な最適輸送を利用するビューマッチングスキームを導入し、レンダリングされた画像をランダムにカメラのポーズで対応する実画像にマッピングする特徴輸送計画を生成する。 特徴伝達プランをガイダンスとして、レンダリング画像と実画像の相対的なポーズを予測することにより、初期ランダム化されたカメラポーズを補正する新しいポーズキャリブレーション手法を設計する。
  論文  参考訳（メタデータ） (2022-07-06T12:26:40Z)
• GNeRF: GAN-based Neural Radiance Field without Posed Camera [67.80805274569354]
  gnerf(generative adversarial networks (gan) とニューラルネットワークのラジアンスフィールド再構成を組み合わせるためのフレームワーク)を,未知のカメラポーズでさえも複雑なシナリオで導入する。 提案手法は, 従来は非常に難易度の高い, 繰り返しパターンや低テクスチャの場面において, ベースラインを良好に向上させる。
  論文  参考訳（メタデータ） (2021-03-29T13:36:38Z)
• iNeRF: Inverting Neural Radiance Fields for Pose Estimation [68.91325516370013]
  Neural RadianceField(NeRF)を「反転」してメッシュフリーポーズ推定を行うフレームワークiNeRFを紹介します。 NeRFはビュー合成のタスクに極めて有効であることが示されている。
  論文  参考訳（メタデータ） (2020-12-10T18:36:40Z)

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。