論文の概要: CrashSplat: 2D to 3D Vehicle Damage Segmentation in Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2509.23947v1
• Date: Sun, 28 Sep 2025 15:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.548716
• Title: CrashSplat: 2D to 3D Vehicle Damage Segmentation in Gaussian Splatting
• Title（参考訳）: CrashSplat:ガウス製版における2次元から3次元の車両損傷セグメンテーション
• Authors: Dragoş-Andrei Chileban, Andrei-Ştefan Bulzan, Cosmin Cernǎzanu-Glǎvan,
• Abstract要約: 本研究では,2次元マスクの昇降による3次元損傷セグメンテーションを行う自動車両損傷検出パイプラインを提案する。 また,シングルビュー3D-GSセグメンテーションのためのシンプルな学習自由アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic car damage detection has been a topic of significant interest for the auto insurance industry as it promises faster, accurate, and cost-effective damage assessments. However, few works have gone beyond 2D image analysis to leverage 3D reconstruction methods, which have the potential to provide a more comprehensive and geometrically accurate representation of the damage. Moreover, recent methods employing 3D representations for novel view synthesis, particularly 3D Gaussian Splatting (3D-GS), have demonstrated the ability to generate accurate and coherent 3D reconstructions from a limited number of views. In this work we introduce an automatic car damage detection pipeline that performs 3D damage segmentation by up-lifting 2D masks. Additionally, we propose a simple yet effective learning-free approach for single-view 3D-GS segmentation. Specifically, Gaussians are projected onto the image plane using camera parameters obtained via Structure from Motion (SfM). They are then filtered through an algorithm that utilizes Z-buffering along with a normal distribution model of depth and opacities. Through experiments we found that this method is particularly effective for challenging scenarios like car damage detection, where target objects (e.g., scratches, small dents) may only be clearly visible in a single view, making multi-view consistency approaches impractical or impossible. The code is publicly available at: https://github.com/DragosChileban/CrashSplat.
• Abstract（参考訳）: 自動車事故の自動検知は、より速く、正確で、コスト効果の高い損害評価を約束する自動車保険業界にとって重要な関心事となっている。 しかし, より包括的かつ幾何学的に正確な損傷の表現を提供する3次元再構成手法を活用するために, 2次元画像解析以上の成果が得られていない。 さらに, 新規な視点合成のための3次元表現を用いた手法, 特に3次元ガウススプラッティング(3D-GS)は, 限られた視点から正確な3次元再構成を生成できることを実証している。 本研究では,2次元マスクの昇降による3次元損傷セグメンテーションを行う自動車両損傷検出パイプラインを提案する。 さらに,シングルビュー3D-GSセグメンテーションのための簡易かつ効果的な学習自由アプローチを提案する。 具体的には、GaussianはStructure from Motion (SfM)を介して得られたカメラパラメータを用いて画像平面上に投影される。 その後、Zバッファリングと通常の深さと不透明度の分布モデルを利用するアルゴリズムによってフィルタリングされる。 実験により,本手法は自動車の損傷検出などの難易度の高いシナリオにおいて特に有効であることが判明した。 コードはhttps://github.com/DragosChileban/CrashSplat.comで公開されている。

関連論文リスト

• Sparse2DGS: Sparse-View Surface Reconstruction using 2D Gaussian Splatting with Dense Point Cloud [9.784526657786342]
  本稿では,Sparse2DGSと呼ばれる新しい3次元再構成手法を提案する。 Sparse2DGSはステレオ画像の基本モデルであるDUSt3RとCOLMAP MVSを採用し、高精度で密度の高い3D点雲を生成する。 Sparse2DGSは3つの画像を用いて物体の3次元形状を正確に再構成できることを示す。
  論文  参考訳（メタデータ） (2025-05-26T11:38:26Z)
• GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
  GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。 提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
  論文  参考訳（メタデータ） (2025-02-07T16:07:51Z)
• Street Gaussians without 3D Object Tracker [84.89933388445185]
  既存のほとんどの方法は、オブジェクトポーズの労働集約的な手動ラベリングに依存している。 本研究では,3次元オブジェクト融合戦略における2次元ディープトラッカーの関連性を利用して,安定なオブジェクト追跡モジュールを提案する。 我々は、軌道誤差を自律的に補正し、見逃した検出を回復する暗黙の特徴空間に、モーションラーニング戦略を導入することで、避けられないトラッキングエラーに対処する。
  論文  参考訳（メタデータ） (2024-12-07T05:49:42Z)
• 3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement [2.2122801766964795]
  3DGS-CDは3Dシーンにおける物体の物理的配置を検出する最初の3Dガウス散乱(3DGS)に基づく手法である。 提案手法では,異なる時間に撮影された2つの不整合画像を比較して3次元オブジェクトレベルの変化を推定する。 提案手法は,18秒以内のスパース画像を用いて,散在する環境の変化を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-11-06T07:08:41Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)

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。