論文の概要: No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images

• arxiv url: http://arxiv.org/abs/2509.11164v1
• Date: Sun, 14 Sep 2025 08:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.954757
• Title: No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images
• Title（参考訳）: メッシュなし、問題なし:スパースマルチビュー画像から皮質体積と表面を推定する
• Authors: Diego Eustachio Farchione, Ramzi Idoughi, Peter Wonka,
• Abstract要約: 有効なサンゴ礁のモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 このフレームワークは、スパース画像から効率よくスケーラブルなサンゴの形状を推定する方法を開拓し、サンゴの成長分析やサンゴのモニタリングに応用できる可能性がある。
• 参考スコア（独自算出の注目度）: 45.20850219249498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective reef monitoring requires the quantification of coral growth via accurate volumetric and surface area estimates, which is a challenging task due to the complex morphology of corals. We propose a novel, lightweight, and scalable learning framework that addresses this challenge by predicting the 3D volume and surface area of coral-like objects from 2D multi-view RGB images. Our approach utilizes a pre-trained module (VGGT) to extract dense point maps from each view; these maps are merged into a unified point cloud and enriched with per-view confidence scores. The resulting cloud is fed to two parallel DGCNN decoder heads, which jointly output the volume and the surface area of the coral, as well as their corresponding confidence estimate. To enhance prediction stability and provide uncertainty estimates, we introduce a composite loss function based on Gaussian negative log-likelihood in both real and log domains. Our method achieves competitive accuracy and generalizes well to unseen morphologies. This framework paves the way for efficient and scalable coral geometry estimation directly from a sparse set of images, with potential applications in coral growth analysis and reef monitoring.
• Abstract（参考訳）: 有効なサンゴのモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要であるが、これはサンゴの複雑な形態のために難しい課題である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 提案手法では,各視点から高密度点マップを抽出するために,事前学習モジュール (VGGT) を用いる。 得られた雲は、2つの平行なDGCNNデコーダヘッドに供給され、サンゴの体積と表面積を共同で出力する。 予測安定性を高め,不確実性の推定を行うため,実領域と対数領域の両方においてガウス負の対数類似度に基づく複合損失関数を導入する。 提案手法は, 競争精度を向上し, 目に見えない形態を一般化する。 このフレームワークは、サンゴ成長分析やサンゴモニタリングに応用可能な、スパース画像の集合から直接、効率的でスケーラブルなサンゴの幾何推定の道を開く。

関連論文リスト

• The point is the mask: scaling coral reef segmentation with weak supervision [1.4286124121075066]
  ドローンによる空中画像は広い空間範囲を提供するが、その解像度の制限により、サンゴ型のような微細なクラスを確実に区別することは困難である。 本研究では,水中画像から航空データへ微細な生態情報を転送することで,この課題に対処する,マルチスケールの弱教師付きセマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 本研究では,低コストデータ収集,弱教師付き深層学習,マルチスケールリモートセンシングを組み合わせた高解像度リーフモニタリングのためのスケーラブルで費用対効果の高い手法を提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:58:50Z)
• The Coralscapes Dataset: Semantic Scene Understanding in Coral Reefs [4.096374910845255]
  本研究はサンゴ礁において,2075のイメージ,39のベントニッククラス,174kのセグメンテーションマスクを含む汎用的なセグメンテーションデータセットを初めて公開する。 我々は、幅広いセマンティックセグメンテーションモデルをベンチマークし、Coralscapesから既存の小さなデータセットへの変換学習が一貫して最先端のパフォーマンスをもたらすことを発見した。 Coralscapesは、コンピュータビジョンに基づく効率よくスケーラブルで標準化されたサンゴ礁の調査方法の研究を触媒し、水中の生態学ロボットの開発を効率化する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-25T18:33:59Z)
• From underwater to aerial: a novel multi-scale knowledge distillation approach for coral reef monitoring [1.0644791181419937]
  本研究は,サンゴ礁のサンゴ礁モニタリングに,小型水中画像と中規模空中画像を統合した新しいマルチスケールアプローチを提案する。 変圧器を用いた深層学習モデルは水中画像に基づいて訓練され、様々なサンゴ型、関連する動物相、生息地を含む31のクラスの存在を検出する。 以上の結果から,本手法はサンゴのサンゴ類型および生息域の予測において高い精度を達成し,より大規模なサンゴ礁地域への細分化を成功裏に進めることが示唆された。
  論文  参考訳（メタデータ） (2025-02-25T06:12:33Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
  ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。 ガウススプラッティングは、強力な深度モデルを学ぶための教師なし事前学習の目的として機能することを示す。 我々のDepthSplatは、ScanNet、RealEstate10K、DL3DVデータセットの最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-17T17:59:58Z)
• CoralVOS: Dataset and Benchmark for Coral Video Segmentation [12.434773034255455]
  第1図で示すような大規模サンゴビデオセグメンテーションデータセット(textbfCoralVOS)を提案する。 我々はCoralVOSデータセットで、最新の6つの最先端ビデオオブジェクトセグメンテーション(VOS)アルゴリズムを含む実験を行いました。 その結果,セグメンテーション精度がさらに向上する可能性がまだ高いことがわかった。
  論文  参考訳（メタデータ） (2023-10-03T10:45:37Z)
• SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution [3.717258819781834]
  本稿では、HRNetと分離可能な畳み込み層を統合し、空間的パターンをキャプチャし、データの時間的パターンをキャプチャする、新たなDeep Learningアプローチを提案する。 提案アルゴリズムは、作物マップの生成において、97.5%の分類精度と55.2%のIoUを高い分類精度で達成する。
  論文  参考訳（メタデータ） (2023-07-11T18:07:25Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)

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。