論文の概要: User-in-the-Loop View Sampling with Error Peaking Visualization

• arxiv url: http://arxiv.org/abs/2506.21009v1
• Date: Thu, 26 Jun 2025 05:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.984319
• Title: User-in-the-Loop View Sampling with Error Peaking Visualization
• Title（参考訳）: エラーピーク可視化によるユーザ・イン・ザ・ループビューサンプリング
• Authors: Ayaka Yasunaga, Hideo Saito, Shohei Mori,
• Abstract要約: 既存のアプローチでは、ARディスプレイをアライメントして画像を取得するために、新しいビューサンプルとタスクユーザのための3Dアノテーションが提供されている。 本稿では、局所的に再構成された光場と、新しいビューを挿入することで削除されるエラーを可視化することを提案する。 以上の結果から,モバイルビュー合成システムにおいて,誤り検出の可視化は侵襲的でなく,最終結果の失望を低減し,ビューサンプルの少なさに満足できることがわかった。
• 参考スコア（独自算出の注目度）: 9.822711250996495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Augmented reality (AR) provides ways to visualize missing view samples for novel view synthesis. Existing approaches present 3D annotations for new view samples and task users with taking images by aligning the AR display. This data collection task is known to be mentally demanding and limits capture areas to pre-defined small areas due to the ideal but restrictive underlying sampling theory. To free users from 3D annotations and limited scene exploration, we propose using locally reconstructed light fields and visualizing errors to be removed by inserting new views. Our results show that the error-peaking visualization is less invasive, reduces disappointment in final results, and is satisfactory with fewer view samples in our mobile view synthesis system. We also show that our approach can contribute to recent radiance field reconstruction for larger scenes, such as 3D Gaussian splatting.
• Abstract（参考訳）: Augmented Reality (AR)は、新しいビュー合成のための行方不明なビューサンプルを可視化する方法を提供する。 既存のアプローチでは、ARディスプレイをアライメントして画像を取得するために、新しいビューサンプルとタスクユーザのための3Dアノテーションが提供されている。 このデータ収集タスクは、理想的なが制限的な基礎的なサンプリング理論のために、キャプチャ領域を予め定義された小さな領域に制限することが知られている。 ユーザが3Dアノテーションや限られたシーン探索から解放するために、ローカルに再構成された光フィールドを使用し、新しいビューを挿入することでエラーを可視化する手法を提案する。 以上の結果から,モバイルビュー合成システムにおいて,誤り検出の可視化は侵襲的でなく,最終結果の失望を低減し,ビューサンプルの少なさに満足できることがわかった。 また,本手法は,3次元ガウススプラッティングなどの大規模シーンにおいて,近年の放射野再構成に寄与することを示す。

関連論文リスト

• FewViewGS: Gaussian Splatting with Few View Matching and Multi-stage Training [15.634646420318731]
  スパース入力画像を用いた3次元ガウス型新規ビュー合成法を提案する。 本稿では,新しい視点に課せられる整合性制約を考慮した多段階学習手法を提案する。 これは、利用可能なトレーニング画像のマッチングを使用して、新しいビューの生成を監督することで達成される。
  論文  参考訳（メタデータ） (2024-11-04T16:21:00Z)
• Sampling for View Synthesis: From Local Light Field Fusion to Neural Radiance Fields and Beyond [27.339452004523082]
  局所光電場融合は、サンプルビューの不規則なグリッドから現実的なビュー合成を行うアルゴリズムを提案する。 我々は、最大4000倍のビューを用いて、Nyquistレートビューサンプリングの知覚品質を実現する。 スパースおよび単一画像ビュー合成に関する最近の研究結果のいくつかを再現する。
  論文  参考訳（メタデータ） (2024-08-08T16:56:03Z)
• FreeSplat: Generalizable 3D Gaussian Splatting Towards Free-View Synthesis of Indoor Scenes [50.534213038479926]
  FreeSplatは、長いシーケンス入力から自由視点合成まで、幾何学的に一貫した3Dシーンを再構築することができる。 ビュー数に関係なく、広いビュー範囲にわたる堅牢なビュー合成を実現するための、シンプルで効果的なフリービュートレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-28T08:40:14Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Learning to Render Novel Views from Wide-Baseline Stereo Pairs [26.528667940013598]
  本稿では,単一の広線ステレオ画像ペアのみを付与した新しいビュー合成手法を提案する。 スパース観測による新しいビュー合成への既存のアプローチは、誤った3次元形状の復元によって失敗する。 対象光線に対する画像特徴を組み立てるための,効率的な画像空間のエピポーラ線サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-04-17T17:40:52Z)
• Enhancement of Novel View Synthesis Using Omnidirectional Image Completion [61.78187618370681]
  ニューラルレイディアンス場(NeRF)に基づく1枚の360度RGB-D画像から新しいビューを合成する方法を提案する。 実験により,提案手法は実世界と実世界の両方でシーンの特徴を保ちながら,可塑性な新規なビューを合成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-18T13:49:25Z)
• RegNeRF: Regularizing Neural Radiance Fields for View Synthesis from Sparse Inputs [79.00855490550367]
  我々は,多くの入力ビューが利用可能である場合,NeRFは見えない視点のフォトリアリスティックレンダリングを生成することができることを示す。 我々は、未観測の視点からレンダリングされたパッチの幾何学と外観を規則化することで、この問題に対処する。 我々のモデルは、1つのシーンで最適化する他の方法よりも、大規模なマルチビューデータセットで広範囲に事前訓練された条件付きモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-12-01T18:59:46Z)

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。