論文の概要: Auto3R: Automated 3D Reconstruction and Scanning via Data-driven Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2512.04528v1
- Date: Thu, 04 Dec 2025 07:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:46.042477
- Title: Auto3R: Automated 3D Reconstruction and Scanning via Data-driven Uncertainty Quantification
- Title（参考訳）: Auto3R: データ駆動不確実性定量化による3D再構成とスキャンの自動化
- Authors: Chentao Shen, Sizhe Zheng, Bingqian Wu, Yaohua Feng, Yuanchen Fei, Mingyu Mei, Hanwen Jiang, Xiangru Huang,
- Abstract要約: Auto3Rは、シーンやオブジェクトの3Dスキャンと再構築を自動化するように設計された、データ駆動の不確実性定量化モデルである。
以上の結果から,Auto3Rは最先端の手法よりも高い性能を達成できることが示唆された。
また、カメラを備えたロボットアームにAuto3Rを配置し、現実世界の3Dオブジェクトを効果的にデジタル化するためにAuto3Rを使用できることを示す。
- 参考スコア（独自算出の注目度）: 7.775306719084694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional high-quality 3D scanning and reconstruction typically relies on human labor to plan the scanning procedure. With the rapid development of embodied systems such as drones and robots, there is a growing demand of performing accurate 3D scanning and reconstruction in an fully automated manner. We introduce Auto3R, a data-driven uncertainty quantification model that is designed to automate the 3D scanning and reconstruction of scenes and objects, including objects with non-lambertian and specular materials. Specifically, in a process of iterative 3D reconstruction and scanning, Auto3R can make efficient and accurate prediction of uncertainty distribution over potential scanning viewpoints, without knowing the ground truth geometry and appearance. Through extensive experiments, Auto3R achieves superior performance that outperforms the state-of-the-art methods by a large margin. We also deploy Auto3R on a robot arm equipped with a camera and demonstrate that Auto3R can be used to effectively digitize real-world 3D objects and delivers ready-to-use and photorealistic digital assets. Our homepage: https://tomatoma00.github.io/auto3r.github.io .
- Abstract（参考訳）: 従来の高品質な3Dスキャンと再構築は、通常、スキャン手順を計画するために人間の労働に依存する。
ドローンやロボットなどの具体化システムの急速な発展に伴い、正確な3Dスキャンと再構築を完全自動化して行う必要性が高まっている。
データ駆動不確実性定量化モデルであるAuto3Rを導入し,非ランベルト的・特異な材料を含むシーンやオブジェクトの3次元スキャンと再構成を自動化する。
具体的には、3D再構成と走査の反復的なプロセスにおいて、Auto3Rは、基底的な真実の幾何学と外観を知らずに、潜在的な走査視点における不確実性分布の効率的かつ正確な予測を行うことができる。
広範な実験を通じて、Auto3Rは最先端の手法よりも大きなマージンで優れた性能を達成する。
また、カメラを備えたロボットアームにAuto3Rを配置し、Auto3Rが現実世界の3Dオブジェクトを効果的にデジタル化し、使用可能なフォトリアリスティックなデジタル資産を提供することを示す。
私たちのホームページは、https://tomatoma00.github.io/auto3r.github.ioです。
関連論文リスト
- R3D2: Realistic 3D Asset Insertion via Diffusion for Autonomous Driving Simulation [78.26308457952636]
本稿では,自律運転シミュレーションの限界を克服する軽量な1ステップ拡散モデルであるR3D2を紹介する。
シャドウや一貫した照明など、妥当なレンダリング効果を生み出すことで、既存のシーンに完全な3Dアセットを現実的に挿入することができる。
R3D2は挿入されたアセットの現実性を大幅に向上させ,テキストから3Dへのアセット挿入やクロスシーン/データセットオブジェクト転送といったユースケースを可能にした。
論文 参考訳（メタデータ） (2025-06-09T14:50:19Z) - Real-time 3D semantic occupancy prediction for autonomous vehicles using memory-efficient sparse convolution [4.204990010424084]
自動運転車では、エゴ車の周囲の3D環境をリアルタイムで理解することが不可欠である。
State of the art 3D mapping method leverageer with cross-attention mechanism to elevate 2D vision-centric camera features into the 3D domain。
本稿では、正面2Dカメラ画像とLiDARスキャンから特徴を抽出し、3Dセマンティック占有予測にスパース畳み込みネットワーク(Minkowski Engine)を用いる手法を提案する。
論文 参考訳（メタデータ） (2024-03-13T17:50:59Z) - Neural Rendering based Urban Scene Reconstruction for Autonomous Driving [8.007494499012624]
ニューラルな暗黙表面と放射場を組み合わせたフレームワークを用いたマルチモーダル3次元シーン再構成を提案する。
Dense 3Dリコンストラクションは、自動アノテーションバリデーションを含む自動走行に多くの応用がある。
我々は,挑戦的な自動車シーンの質的,定量的な結果を示す。
論文 参考訳（メタデータ） (2024-02-09T23:20:23Z) - 3D Data Augmentation for Driving Scenes on Camera [50.41413053812315]
本稿では,Drive-3DAugと呼ばれる3次元データ拡張手法を提案する。
まずNeural Radiance Field(NeRF)を用いて,背景および前景の3次元モデルの再構成を行う。
そして、予め定義された背景の有効領域に適応した位置と向きの3Dオブジェクトを配置することにより、拡張駆動シーンを得ることができる。
論文 参考訳（メタデータ） (2023-03-18T05:51:05Z) - MobileBrick: Building LEGO for 3D Reconstruction on Mobile Devices [78.20154723650333]
高品質な3次元地下構造は3次元物体再構成評価に不可欠である。
本稿では,モバイルデバイスを用いた新しいマルチビューRGBDデータセットを提案する。
我々は,ハイエンド3Dスキャナーを使わずに,精密な3次元地下構造が得られる。
論文 参考訳（メタデータ） (2023-03-03T14:02:50Z) - OmniObject3D: Large-Vocabulary 3D Object Dataset for Realistic
Perception, Reconstruction and Generation [107.71752592196138]
OmniObject3Dを提案する。OmniObject3Dは,大規模で高品質な3Dオブジェクトを持つ大語彙の3Dオブジェクトデータセットである。
190のカテゴリーで6,000のスキャン対象からなり、一般的な2Dデータセットと共通クラスを共有する。
それぞれの3Dオブジェクトは、2Dと3Dの両方のセンサーでキャプチャされ、テクスチャメッシュ、ポイントクラウド、マルチビューレンダリング画像、複数の実写ビデオを提供する。
論文 参考訳（メタデータ） (2023-01-18T18:14:18Z) - Recovering and Simulating Pedestrians in the Wild [81.38135735146015]
本研究では,自動車の走行によって野生で捕獲されたセンサから歩行者の形状と動きを復元することを提案する。
再建された歩行者資産銀行をリアルな3Dシミュレーションシステムに組み込む。
シミュレーションしたLiDARデータを用いて,視覚知覚タスクに必要な実世界のデータ量を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2020-11-16T17:16:32Z)
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。