論文の概要: SmokeSeer: 3D Gaussian Splatting for Smoke Removal and Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2509.17329v1
• Date: Mon, 22 Sep 2025 03:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.220358
• Title: SmokeSeer: 3D Gaussian Splatting for Smoke Removal and Scene Reconstruction
• Title（参考訳）: SmokeSeer: 3D Gaussian Splatting for Smokeectomy and Scene Reconstruction (特集:「スモークシーア」)
• Authors: Neham Jain, Andrew Jong, Sebastian Scherer, Ioannis Gkioulekas,
• Abstract要約: 現実世界のシーンでの煙は、画像の品質を著しく低下させ、視界を損なう。 SmokeSeerは,映像から3次元シーンを同時に再現し,煙を除去する手法である。 熱画像とRGB画像を用いて, 熱画像の散乱を小さくすることで, 煙を観察できることを示す。
• 参考スコア（独自算出の注目度）: 14.475461616365346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smoke in real-world scenes can severely degrade the quality of images and hamper visibility. Recent methods for image restoration either rely on data-driven priors that are susceptible to hallucinations, or are limited to static low-density smoke. We introduce SmokeSeer, a method for simultaneous 3D scene reconstruction and smoke removal from a video capturing multiple views of a scene. Our method uses thermal and RGB images, leveraging the fact that the reduced scattering in thermal images enables us to see through the smoke. We build upon 3D Gaussian splatting to fuse information from the two image modalities, and decompose the scene explicitly into smoke and non-smoke components. Unlike prior approaches, SmokeSeer handles a broad range of smoke densities and can adapt to temporally varying smoke. We validate our approach on synthetic data and introduce a real-world multi-view smoke dataset with RGB and thermal images. We provide open-source code and data at the project website.
• Abstract（参考訳）: 現実世界のシーンでの煙は、画像の品質を著しく低下させ、視界を損なう。 画像復元の最近の手法は、幻覚の影響を受けやすいデータ駆動の先行技術に依存するか、静的な低密度煙に制限される。 スモークシーア(SmokeSeer)は、シーンの複数のビューを撮影するビデオから3次元シーンの同時復元と煙の除去を行う手法である。 熱画像とRGB画像を用いて, 熱画像の散乱を小さくすることで, 煙を観察できることを示す。 本研究では,2つの画像モダリティから情報を取り出すために3次元ガウススプラッティングを構築し,そのシーンを煙と非煙の成分に明示的に分解する。 従来のアプローチとは異なり、SmokeSeerは幅広い煙密度を処理し、時間的に異なる煙に適応することができる。 合成データに対する我々のアプローチを検証し,RGBと熱画像を用いた実世界のマルチビュースモークデータセットを導入する。 プロジェクトのWebサイトで、オープンソースのコードとデータを提供しています。

関連論文リスト

• SmokeBench: A Real-World Dataset for Surveillance Image Desmoking in Early-Stage Fire Scenes [8.183561852240851]
  燃焼によって発生する煙は、監視システムの可視性を著しく低下させる。 鮮明なシーン情報を得るためには、画像から煙を除去する必要がある。 我々は、SmokeBenchという実世界の監視画像デモーキングベンチマークデータセットを提示する。
  論文  参考訳（メタデータ） (2025-09-16T05:51:11Z)
• WildSmoke: Ready-to-Use Dynamic 3D Smoke Assets from a Single Video in the Wild [15.941164647083696]
  そこで本研究では,Wild-In-the-Wildビデオからダイナミックな3Dスモークアセットを抽出し,再構成するパイプラインを提案する。 本手法は, 高品位煙の再現により, 過去の復元・生成方法より優れていた。
  論文  参考訳（メタデータ） (2025-09-14T06:06:42Z)
• MFGDiffusion: Mask-Guided Smoke Synthesis for Enhanced Forest Fire Detection [6.307649189539342]
  スモークは山火事の目に見える最初の指標である。 現在の塗装モデルは、高品質な煙の表現を生成するのに限界がある。 森林火災煙画像を生成するための総合的な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-15T12:25:35Z)
• SCube: Instant Large-Scale Scene Reconstruction using VoxSplats [55.383993296042526]
  SCubeは画像の粗い集合から大規模3次元シーン(幾何学、外観、意味論)を再構成する新しい手法である。 提案手法は,高解像度のスパース・ボクセル・足場上に支持された3次元ガウスの組である,新しい表現VoxSplatを用いて再構成シーンを符号化する。
  論文  参考訳（メタデータ） (2024-10-26T00:52:46Z)
• Self-Supervised Video Desmoking for Laparoscopic Surgery [48.83900673665993]
  自己監督型手術ビデオデモーキング(SelfSVD)について紹介する。 高エネルギー装置の起動前に捕捉したフレームは一般に明確である(プレスモークフレーム、PSフレーム)。 さらに、PSフレームからモデルに貴重な情報を供給し、マスキング戦略と正規化項を提示し、自明な解決策を避ける。
  論文  参考訳（メタデータ） (2024-03-17T12:38:58Z)
• TriVol: Point Cloud Rendering via Triple Volumes [57.305748806545026]
  我々は,高密度かつ軽量な3D表現であるTriVolをNeRFと組み合わせて,点雲から写実的な画像を描画する。 我々のフレームワークは、微調整なしでシーン/オブジェクトのカテゴリを描画できる優れた一般化能力を持っている。
  論文  参考訳（メタデータ） (2023-03-29T06:34:12Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• Nighttime Dehazing with a Synthetic Benchmark [147.21955799938115]
  昼間の鮮明な画像から夜間のハズイ画像をシミュレートする3Rという新しい合成法を提案する。 実空間の光色を以前の経験的分布からサンプリングすることにより,現実的な夜間ハズイ画像を生成する。 実験結果は、画像の品質と実行時間の両方の観点から、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-10T02:16:46Z)

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。