論文の概要: NAS-GS: Noise-Aware Sonar Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2601.06285v1
• Date: Fri, 09 Jan 2026 19:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.730496
• Title: NAS-GS: Noise-Aware Sonar Gaussian Splatting
• Title（参考訳）: NAS-GS:ノイズ対応型ソナー・ガウシアン・スプレイティング
• Authors: Shida Xu, Jingqi Jiang, Jonatan Scharff Willners, Sen Wang,
• Abstract要約: 水中ソナー画像は、濁った水中での自律航法など、様々な用途において重要な役割を担っている。 複雑なノイズパターンや標高情報の欠如といったソナー画像の特徴は、3次元再構成や新しいビュー合成において重要な課題となっている。 NAS-GSは、これらの課題に対処するために設計された新しいノイズ対応ソナーガウシアン・スプレイティング・フレームワークである。
• 参考スコア（独自算出の注目度）: 8.905337727588604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater sonar imaging plays a crucial role in various applications, including autonomous navigation in murky water, marine archaeology, and environmental monitoring. However, the unique characteristics of sonar images, such as complex noise patterns and the lack of elevation information, pose significant challenges for 3D reconstruction and novel view synthesis. In this paper, we present NAS-GS, a novel Noise-Aware Sonar Gaussian Splatting framework specifically designed to address these challenges. Our approach introduces a Two-Ways Splatting technique that accurately models the dual directions for intensity accumulation and transmittance calculation inherent in sonar imaging, significantly improving rendering speed without sacrificing quality. Moreover, we propose a Gaussian Mixture Model (GMM) based noise model that captures complex sonar noise patterns, including side-lobes, speckle, and multi-path noise. This model enhances the realism of synthesized images while preventing 3D Gaussian overfitting to noise, thereby improving reconstruction accuracy. We demonstrate state-of-the-art performance on both simulated and real-world large-scale offshore sonar scenarios, achieving superior results in novel view synthesis and 3D reconstruction.
• Abstract（参考訳）: 水中ソナーイメージングは、濁った水中での自律航法、海洋考古学、環境モニタリングなど、様々な用途において重要な役割を担っている。 しかし、複雑なノイズパターンや標高情報の欠如といったソナー画像の特徴は、3次元再構成や新しいビュー合成において大きな課題を生んでいる。 本稿では,これらの課題に対処するための新しいノイズ対応ソナー・ガウス・スプレイティングフレームワークであるNAS-GSを提案する。 本手法では,ソナー画像に固有の強度蓄積と透過率計算の両方向を正確にモデル化し,画質を犠牲にすることなくレンダリング速度を大幅に向上する。 さらに, サイドローブ, スペックル, マルチパスノイズを含む複雑なソナーノイズパターンを抽出するガウス混合モデルを提案する。 このモデルは、合成画像の現実性を高め、ノイズへの3次元ガウスオーバーフィットを防止し、再構成精度を向上させる。 シミュレーションおよび実世界の大規模ソナーシナリオにおける最先端性能を実証し、新規なビュー合成と3次元再構成において優れた結果が得られることを示す。

関連論文リスト

• RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。 いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
  論文  参考訳（メタデータ） (2025-12-04T14:05:09Z)
• From Restoration to Reconstruction: Rethinking 3D Gaussian Splatting for Underwater Scenes [13.730810237133822]
  水中画像復元(UIR)を3次元ガウススプラッティング(DGS)でブリッジする統合フレームワークである textbfR-Splatting を提案する。 提案手法は,多様なUIRモデルによって生成された複数の拡張ビューを1つの再構築パイプラインに統合する。 Seathru-NeRFと新しいBlueCoral3Dデータセットの実験により、R-Splattingはレンダリング品質と幾何学的精度の両方において、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-22T13:50:20Z)
• 3D Gaussian Flats: Hybrid 2D/3D Photometric Scene Reconstruction [62.84879632157956]
  本研究では,平面平面(2D)ガウスと自由形式(3D)ガウスを連立最適化するハイブリッド2D/3D表現を提案する。 我々のエンドツーエンドアプローチは、平面領域を動的に検出・洗練し、視覚的忠実度と幾何学的精度の両方を改善する。 ScanNet++とScanNetv2の最先端の深さ推定を実現し、特定のカメラモデルに過度に適合することなくメッシュ抽出に優れる。
  論文  参考訳（メタデータ） (2025-09-19T21:04:36Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• DehazeGS: Seeing Through Fog with 3D Gaussian Splatting [17.119969983512533]
  DehazeGSは,霧のない背景をメディアから分解・レンダリングできる手法である。 合成と実世界の霧のデータセットの実験は、DehazeGSが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-01-07T09:47:46Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)

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。