論文の概要: SurfFill: Completion of LiDAR Point Clouds via Gaussian Surfel Splatting
- arxiv url: http://arxiv.org/abs/2512.03010v1
- Date: Tue, 02 Dec 2025 18:35:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:46.006284
- Title: SurfFill: Completion of LiDAR Point Clouds via Gaussian Surfel Splatting
- Title（参考訳）: SurfFill: Gassian Surfel SplattingによるLiDAR点雲の完成
- Authors: Svenja Strobel, Matthias Innmann, Bernhard Egger, Marc Stamminger, Linus Franke,
- Abstract要約: LiDARで捕獲された点雲は、アクティブな3D再構成における金の標準と見なされることが多い。
その精度は平らな地域では例外的であるが、捕獲は小さな幾何学的構造を見逃す恐れがあり、暗く吸収的な材料で失敗する可能性がある。
ガウス波を用いたLiDAR完成方式を導入することにより,LiDARの強度とカメラベースキャプチャの強度を組み合わせることを提案する。
- 参考スコア（独自算出の注目度）: 6.209868147786871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR-captured point clouds are often considered the gold standard in active 3D reconstruction. While their accuracy is exceptional in flat regions, the capturing is susceptible to miss small geometric structures and may fail with dark, absorbent materials. Alternatively, capturing multiple photos of the scene and applying 3D photogrammetry can infer these details as they often represent feature-rich regions. However, the accuracy of LiDAR for featureless regions is rarely reached. Therefore, we suggest combining the strengths of LiDAR and camera-based capture by introducing SurfFill: a Gaussian surfel-based LiDAR completion scheme. We analyze LiDAR capturings and attribute LiDAR beam divergence as a main factor for artifacts, manifesting mostly at thin structures and edges. We use this insight to introduce an ambiguity heuristic for completed scans by evaluating the change in density in the point cloud. This allows us to identify points close to missed areas, which we can then use to grow additional points from to complete the scan. For this point growing, we constrain Gaussian surfel reconstruction [Huang et al. 2024] to focus optimization and densification on these ambiguous areas. Finally, Gaussian primitives of the reconstruction in ambiguous areas are extracted and sampled for points to complete the point cloud. To address the challenges of large-scale reconstruction, we extend this pipeline with a divide-and-conquer scheme for building-sized point cloud completion. We evaluate on the task of LiDAR point cloud completion of synthetic and real-world scenes and find that our method outperforms previous reconstruction methods.
- Abstract（参考訳）: LiDARで捕獲された点雲は、アクティブな3D再構成における金の標準と見なされることが多い。
その精度は平らな地域では例外的であるが、捕獲は小さな幾何学的構造を見逃す恐れがあり、暗く吸収的な材料で失敗する可能性がある。
あるいは、シーンの複数の写真をキャプチャして、3Dフォトグラムを適用することで、これらの詳細を、しばしば機能豊富な領域を表すものとして推測することができる。
しかし、特徴のない領域に対するLiDARの精度はめったに得られない。
そこで本研究では,ガウスのサーベイルをベースとしたLiDAR補完方式であるSurfFillを導入することにより,LiDARの強みとカメラベースキャプチャの長所を組み合わせることを提案する。
我々は,LiDARの捕集特性を分析し,LiDARビームの発散をアーティファクトの主要因とし,その大部分は細い構造と縁に現れている。
我々はこの洞察を用いて、点雲の密度の変化を評価することによって、完了したスキャンに対するあいまいさのヒューリスティックを導入する。
これにより、欠落した領域に近いポイントを特定でき、そこから追加のポイントを拡大してスキャンを完了することができます。
この点を拡大するために、我々はガウスのサーベイル再構成(Huang et al 2024)を制約し、これらの曖昧な領域に最適化と密度を集中させる。
最後に、不明瞭な領域における再構成のガウス原始体を抽出し、点雲を完結する点について標本化する。
大規模再構築の課題に対処するため,我々はこのパイプラインを,大規模クラウド完成のための分割・分散方式で拡張する。
我々は,合成シーンと実世界のシーンのLiDAR点雲完了作業について評価し,提案手法が従来の再構成手法よりも優れていることを確認した。
関連論文リスト
- LiDAR-GS++:Improving LiDAR Gaussian Reconstruction via Diffusion Priors [51.724649822336346]
実時間および高忠実度再シミュレーションのための拡散前処理により強化された再構成手法であるLiDAR-GS++を提案する。
具体的には、粗い外挿レンダリングを条件とした制御可能なLiDAR生成モデルを導入し、余分な幾何整合性スキャンを生成する。
再構成を未適合領域にまで拡張することにより,外挿的視点に対するグローバルな幾何整合性を確保することができる。
論文 参考訳（メタデータ） (2025-11-15T17:33:12Z) - D$^2$GS: Dense Depth Regularization for LiDAR-free Urban Scene Reconstruction [42.71951611524765]
我々は,LiDARのない都市景観再構築フレームワークであるD$2$GSを提案する。
我々は、より密度が高く、より正確なLiDARと同等の有効性を持つ幾何学的先行値を得る。
我々の手法は一貫して最先端の手法より優れています。
論文 参考訳（メタデータ） (2025-10-29T05:13:09Z) - SRMamba: Mamba for Super-Resolution of LiDAR Point Clouds [1.2277343096128712]
スパースシーンにおけるLiDAR点雲の高分解能化手法であるスペーシャアンバを提案する。
具体的には, Hough Voting と Hole Compensation に基づく射影手法を実装し, 距離画像の水平線穴を除去する。
非対称なU-Netネットワークは、ビーム数が異なるLiDARの入力特性に適応し、マルチビーム点雲の超解像再構成を可能にする。
論文 参考訳（メタデータ） (2025-05-15T14:41:35Z) - Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds [23.897507889025817]
航空機搭載LiDAR点雲から3次元多角形メッシュとして建物を再構築するための学習的アプローチを提案する。
このモデルでは, 点雲データから直接学習し, 誤差伝播を低減し, 再構成の忠実度を向上する。
我々は,チューリッヒ,ベルリン,タリンの航空機搭載LiDARデータの収集について実験的に検証した。
論文 参考訳（メタデータ） (2024-03-04T15:46:50Z) - NeuSG: Neural Implicit Surface Reconstruction with 3D Gaussian Splatting Guidance [48.72360034876566]
本稿では,3次元ガウススプラッティングから高精細な表面を復元する神経暗黙的表面再構成パイプラインを提案する。
3Dガウススプラッティングの利点は、詳細な構造を持つ高密度の点雲を生成することができることである。
我々は3次元ガウスを極端に薄くすることで、表面に近い中心を引っ張るスケール正則化器を導入する。
論文 参考訳（メタデータ） (2023-12-01T07:04:47Z) - UltraLiDAR: Learning Compact Representations for LiDAR Completion and
Generation [51.443788294845845]
我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。
スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。
個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
論文 参考訳（メタデータ） (2023-11-02T17:57:03Z) - PolarMix: A General Data Augmentation Technique for LiDAR Point Clouds [100.03877236181546]
PolarMixは、シンプルで汎用的なポイントクラウド拡張技術である。
様々な3Dディープアーキテクチャのプラグイン・アンド・プレイとして機能し、教師なしのドメイン適応にも適しています。
論文 参考訳（メタデータ） (2022-07-30T13:52:19Z) - Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。
これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。
本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-23T07:53:28Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-04-06T15:07:16Z)
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。