論文の概要: DT-NeRF: A Diffusion and Transformer-Based Optimization Approach for Neural Radiance Fields in 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2509.17232v1
• Date: Sun, 21 Sep 2025 20:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.176192
• Title: DT-NeRF: A Diffusion and Transformer-Based Optimization Approach for Neural Radiance Fields in 3D Reconstruction
• Title（参考訳）: DT-NeRF:3次元再構成における拡散・変圧器によるニューラルラジアンスフィールドの最適化手法
• Authors: Bo Liu, Runlong Li, Li Zhou, Yan Zhou,
• Abstract要約: 本稿では3次元シーン再構成におけるディテールリカバリとマルチビュー整合性を高めるために拡散モデル-Dニューラルレーダランス場(DT-NeRF)法を提案する。 拡散モデルとトランスフォーマーを組み合わせることで、DT-NeRFはスパース視点でディテールを効果的に復元し、複雑な幾何学的シーンで高い精度を維持する。
• 参考スコア（独自算出の注目度）: 13.622738176769188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a Diffusion Model-Optimized Neural Radiance Field (DT-NeRF) method, aimed at enhancing detail recovery and multi-view consistency in 3D scene reconstruction. By combining diffusion models with Transformers, DT-NeRF effectively restores details under sparse viewpoints and maintains high accuracy in complex geometric scenes. Experimental results demonstrate that DT-NeRF significantly outperforms traditional NeRF and other state-of-the-art methods on the Matterport3D and ShapeNet datasets, particularly in metrics such as PSNR, SSIM, Chamfer Distance, and Fidelity. Ablation experiments further confirm the critical role of the diffusion and Transformer modules in the model's performance, with the removal of either module leading to a decline in performance. The design of DT-NeRF showcases the synergistic effect between modules, providing an efficient and accurate solution for 3D scene reconstruction. Future research may focus on further optimizing the model, exploring more advanced generative models and network architectures to enhance its performance in large-scale dynamic scenes.
• Abstract（参考訳）: 本稿では,3次元シーン再構成におけるディテールリカバリとマルチビュー整合性の向上を目的とした拡散モデル最適化ニューラルレーダランス場(DT-NeRF)法を提案する。 拡散モデルとトランスフォーマーを組み合わせることで、DT-NeRFはスパース視点でディテールを効果的に復元し、複雑な幾何学的シーンで高い精度を維持する。 実験結果によると、DT-NeRFは従来のNeRFや、Materport3DやShapeNetのデータセット、特にPSNR、SSIM、Chamfer Distance、Fidelityなどにおいて、最先端の手法よりも優れていた。 アブレーション実験により、モデルの性能における拡散およびトランスフォーマーモジュールの重要性がさらに確認され、どちらのモジュールも除去されて性能が低下する。 DT-NeRFの設計はモジュール間の相乗効果を示し、3次元シーン再構成のための効率的かつ正確な解を提供する。 将来の研究は、モデルをさらに最適化することに集中し、より高度な生成モデルとネットワークアーキテクチャを探索し、大規模な動的シーンにおけるパフォーマンスを向上させる。

関連論文リスト

• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• A Staged Deep Learning Approach to Spatial Refinement in 3D Temporal Atmospheric Transport [0.0]
  本稿では,2段テンポラル3次元超解像(DST3D-UNet-SR)モデルを提案する。 このモジュールは、低分解能時間データから複雑な地形における羽根の過渡的な進化を予測する時間モジュール(TM)と、その空間分解モジュール(SRM)の2つの逐次モジュールから構成され、その結果、予測の空間分解能が向上する。
  論文  参考訳（メタデータ） (2024-12-14T19:43:48Z)
• 4Diffusion: Multi-view Video Diffusion Model for 4D Generation [55.82208863521353]
  現在の4D生成法は, 高度な拡散生成モデルの助けを借りて, 有意義な有効性を実現している。 モノクロビデオから空間的・時間的に一貫した4Dコンテンツを生成することを目的とした,新しい4D生成パイプライン,すなわち4Diffusionを提案する。
  論文  参考訳（メタデータ） (2024-05-31T08:18:39Z)
• SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
  本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。 拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。 本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
  論文  参考訳（メタデータ） (2024-03-18T05:10:13Z)
• Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
  本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。 提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
  論文  参考訳（メタデータ） (2023-08-03T07:57:02Z)
• Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction [77.69363640021503]
  3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。 本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
  論文  参考訳（メタデータ） (2023-04-13T17:59:01Z)
• DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields [56.30120727729177]
  DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。 提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
  論文  参考訳（メタデータ） (2023-03-20T18:03:32Z)

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。