論文の概要: Iterative Motion Compensation for Canonical 3D Reconstruction from UAV Plant Images Captured in Windy Conditions

• arxiv url: http://arxiv.org/abs/2510.15491v1
• Date: Fri, 17 Oct 2025 10:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.566644
• Title: Iterative Motion Compensation for Canonical 3D Reconstruction from UAV Plant Images Captured in Windy Conditions
• Title（参考訳）: 風環境下でのUAVプラント画像からの正準3次元再構成のための反復運動補償
• Authors: Andre Rochow, Jonas Marcic, Svetlana Seliunina, Sven Behnke,
• Abstract要約: 植物の3D表現型は、植物の成長、収量予測、病気の制御を理解する上で重要な役割を担っている。 本稿では,個々の農作物の高品質な3D再構築を可能にするパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 15.401929638574268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D phenotyping of plants plays a crucial role for understanding plant growth, yield prediction, and disease control. We present a pipeline capable of generating high-quality 3D reconstructions of individual agricultural plants. To acquire data, a small commercially available UAV captures images of a selected plant. Apart from placing ArUco markers, the entire image acquisition process is fully autonomous, controlled by a self-developed Android application running on the drone's controller. The reconstruction task is particularly challenging due to environmental wind and downwash of the UAV. Our proposed pipeline supports the integration of arbitrary state-of-the-art 3D reconstruction methods. To mitigate errors caused by leaf motion during image capture, we use an iterative method that gradually adjusts the input images through deformation. Motion is estimated using optical flow between the original input images and intermediate 3D reconstructions rendered from the corresponding viewpoints. This alignment gradually reduces scene motion, resulting in a canonical representation. After a few iterations, our pipeline improves the reconstruction of state-of-the-art methods and enables the extraction of high-resolution 3D meshes. We will publicly release the source code of our reconstruction pipeline. Additionally, we provide a dataset consisting of multiple plants from various crops, captured across different points in time.
• Abstract（参考訳）: 植物の3D表現型は、植物の成長、収量予測、病気の制御を理解する上で重要な役割を担っている。 本稿では,個々の農作物の高品質な3D再構築を可能にするパイプラインを提案する。 データを取得するために、小型の市販のUAVは、選択された植物の画像をキャプチャする。 ArUcoマーカーを配置することとは別に、画像取得プロセス全体が完全に自律的であり、ドローンのコントローラ上で動作する自作のAndroidアプリケーションによって制御される。 再生作業は、UAVの環境風と下水のために特に困難である。 提案するパイプラインは,任意の最先端3D再構成手法の統合を支援する。 画像キャプチャ中の葉の動きによる誤差を軽減するために, 画像の変形によって段階的に入力画像を調整する反復的手法を用いる。 元の入力画像と対応する視点から描画された中間3次元再構成との間の光学的流れを用いて動きを推定する。 このアライメントは徐々にシーンの動きを減少させ、標準表現をもたらす。 数回繰り返して、我々のパイプラインは最先端の手法の再構築を改善し、高解像度の3Dメッシュの抽出を可能にする。 再構築パイプラインのソースコードを公開します。 さらに、様々な作物の複数の植物からなるデータセットを提供し、異なる地点で異なる時間に捕獲する。

関連論文リスト

• UAV4D: Dynamic Neural Rendering of Human-Centric UAV Imagery using Gaussian Splatting [54.883935964137706]
  UAV4Dは,UAVが捉えたダイナミックな現実世界のシーンに対して,フォトリアリスティックなレンダリングを可能にするフレームワークである。 我々は3次元基礎モデルと人間のメッシュ再構築モデルを組み合わせて、シーン背景と人間の両方を再構築する。 以上の結果から,新しい視点合成法に対するアプローチの利点が示され,1.5dBPSNRの改善と視覚的シャープネスの向上が達成された。
  論文  参考訳（メタデータ） (2025-06-05T13:21:09Z)
• ACT-R: Adaptive Camera Trajectories for Single View 3D Reconstruction [12.942796503696194]
  多視点合成に適応的な視点計画法を導入する。 我々は3次元コヒーレンスを高めるために時間的一貫性を活用して一連のビューを生成する。 本手法は, 未知のGSOデータセット上でのSOTA代替品の3次元再構成を改善する。
  論文  参考訳（メタデータ） (2025-05-13T05:31:59Z)
• CropCraft: Inverse Procedural Modeling for 3D Reconstruction of Crop Plants [16.558411700996746]
  逆手続きモデルによる植物形態のモデル最適化に基づく農作物の3次元再構築手法を提案する。 本手法を農業現場の実画像のデータセット上で検証し, 様々なモニタリング・シミュレーションに応用できることを実証する。
  論文  参考訳（メタデータ） (2024-11-14T18:58:02Z)
• LucidFusion: Reconstructing 3D Gaussians with Arbitrary Unposed Images [23.96972213606037]
  3次元再構成を画像から画像への変換として再構成し、相対座標マップ(RCM)を導入する。 RCMは、ポーズ推定なしで複数の未提示画像をメインビューにアライメントする。 RCMはプロセスを単純化するが、グローバルな3D監視の欠如によりノイズの多い出力が得られる。 我々のLucidFusionフレームワークは、任意の数の未用意な入力を処理し、数秒で堅牢な3D再構成を実現し、より柔軟でポーズなしの3Dパイプラインを実現する。
  論文  参考訳（メタデータ） (2024-10-21T04:47:01Z)
• MaRINeR: Enhancing Novel Views by Matching Rendered Images with Nearby References [49.71130133080821]
  MaRINeRは、近くのマッピング画像の情報を活用して、ターゲット視点のレンダリングを改善する方法である。 暗黙のシーン表現と暗黙のシーン表現の両方から、定量的な指標と定性的な例のレンダリングの改善を示す。
  論文  参考訳（メタデータ） (2024-07-18T17:50:03Z)
• Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [67.71624118802411]
  本稿では,カテゴリー固有の3D再構成器の学習方法であるFarm3Dについて述べる。 本稿では,Stable Diffusion などの画像生成装置を用いて,合成学習データを生成するフレームワークを提案する。 我々のネットワークは、単分子再構成や合成などの分析に利用でき、ビデオゲームのようなリアルタイムアプリケーションのための音響資産を生成することができる。
  論文  参考訳（メタデータ） (2023-04-20T17:59:34Z)
• High-fidelity 3D GAN Inversion by Pseudo-multi-view Optimization [51.878078860524795]
  フォトリアリスティック・ノベルビューを合成可能な高忠実度3次元生成対向ネットワーク(GAN)インバージョン・フレームワークを提案する。 提案手法は,1枚の画像から高忠実度3Dレンダリングを可能にし,AI生成3Dコンテンツの様々な応用に期待できる。
  論文  参考訳（メタデータ） (2022-11-28T18:59:52Z)

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。