論文の概要: MagicRoad: Semantic-Aware 3D Road Surface Reconstruction via Obstacle Inpainting
- arxiv url: http://arxiv.org/abs/2507.23340v1
- Date: Thu, 31 Jul 2025 08:38:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:09.322855
- Title: MagicRoad: Semantic-Aware 3D Road Surface Reconstruction via Obstacle Inpainting
- Title（参考訳）: MagicRoad: 障害物塗装による3D道路表面のセマンティックな再構築
- Authors: Xingyue Peng, Yuandong Lyu, Lang Zhang, Jian Zhu, Songtao Wang, Jiaxin Deng, Songxin Lu, Weiliang Ma, Dangen She, Peng Jia, XianPeng Lang,
- Abstract要約: 道路面の再構築は, 複雑な都市環境下での自動車走行, 精度の高い車線知覚, 高精細地図作成に不可欠である。
本研究では,2次元ガウス波とセマンティック誘導色強調を統合し,クリーンで一貫した路面を復元する頑健な再構成フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.090597563540577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road surface reconstruction is essential for autonomous driving, supporting centimeter-accurate lane perception and high-definition mapping in complex urban environments.While recent methods based on mesh rendering or 3D Gaussian splatting (3DGS) achieve promising results under clean and static conditions, they remain vulnerable to occlusions from dynamic agents, visual clutter from static obstacles, and appearance degradation caused by lighting and weather changes. We present a robust reconstruction framework that integrates occlusion-aware 2D Gaussian surfels with semantic-guided color enhancement to recover clean, consistent road surfaces. Our method leverages a planar-adapted Gaussian representation for efficient large-scale modeling, employs segmentation-guided video inpainting to remove both dynamic and static foreground objects, and enhances color coherence via semantic-aware correction in HSV space. Extensive experiments on urban-scale datasets demonstrate that our framework produces visually coherent and geometrically faithful reconstructions, significantly outperforming prior methods under real-world conditions.
- Abstract（参考訳）: 近年のメッシュレンダリング法や3次元ガウススプラッティング法(3DGS)による道路面の再構築は, 道路面の自律走行には不可欠であるが, 動的エージェントの閉塞, 静的障害物からの視覚的乱れ, 照明や気象変化による外観劣化に弱いままである。
本報告では,オクルージョンを意識した2次元ガウス波とセマンティック誘導色強調を統合し,クリーンで一貫した路面を復元するロバストな再構成フレームワークを提案する。
提案手法は,平面適応型ガウス表現を高速な大規模モデリングに利用し,動的および静的な前景オブジェクトの両方を取り除き,HSV空間のセマンティック・アウェア補正により色コヒーレンスを向上させる。
都市規模データセットに対する大規模な実験により、我々のフレームワークは視覚的コヒーレントで幾何学的に忠実な再構築を実現し、実際の環境下での先行手法よりも大幅に優れていた。
関連論文リスト
- Shape Your Ground: Refining Road Surfaces Beyond Planar Representations [35.63881467885378]
航空画像からの道路表面の再構築は、自律走行、都市計画、仮想シミュレーションに不可欠である。
既存の再建手法は、しばしば使用性を制限する人工物や不整合を生み出す。
我々は,非均一な合理的B-スプライン(NURBS)表面をフォトグラム再構成やジオデータ提供者から得られる3次元道路点に組み込むことにより,道路表面の平滑化に対処する最初のフレームワークであるFlexRoadを紹介した。
論文 参考訳（メタデータ） (2025-04-15T21:20:44Z) - EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。
本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
論文 参考訳（メタデータ） (2025-03-26T02:47:27Z) - 3D Gaussian Splatting against Moving Objects for High-Fidelity Street Scene Reconstruction [1.2603104712715607]
本稿では,ダイナミックストリートシーン再構築のための新しい3次元ガウス点分布法を提案する。
提案手法では,高忠実度な静的シーンを保存しながらオブジェクトの移動を除去する。
実験により, 大規模動的環境における再現性の向上, レンダリング性能の向上, 適応性の向上が示された。
論文 参考訳（メタデータ） (2025-03-15T05:41:59Z) - MVGSR: Multi-View Consistency Gaussian Splatting for Robust Surface Reconstruction [46.081262181141504]
3D Gaussian Splatting (3DGS)は高品質なレンダリング機能、超高速トレーニング、推論速度で注目されている。
我々はロバスト表面再構成(textbfMVGSR)の領域に対するマルチビュー一貫性ガウススティングを提案する。
MVGSRは、最先端の表面再構成アルゴリズムと比較して、競合する幾何学的精度とレンダリング忠実度を実現している。
論文 参考訳（メタデータ） (2025-03-11T06:53:27Z) - UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。
動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。
提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-12-04T16:59:49Z) - 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) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - GUS-IR: Gaussian Splatting with Unified Shading for Inverse Rendering [83.69136534797686]
GUS-IRは、粗く光沢のある表面を特徴とする複雑なシーンの逆レンダリング問題に対処するために設計された新しいフレームワークである。
本稿では、逆レンダリング、フォワードシェーディング、遅延シェーディングに広く使われている2つの顕著なシェーディング技術を分析し、比較することから始める。
両手法の利点を組み合わせた統合シェーディングソリューションを提案する。
論文 参考訳（メタデータ） (2024-11-12T01:51:05Z) - SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。
我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
論文 参考訳（メタデータ） (2024-06-19T23:53:31Z)
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。