論文の概要: SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification

• arxiv url: http://arxiv.org/abs/2603.19547v1
• Date: Fri, 20 Mar 2026 01:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.931477
• Title: SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification
• Title（参考訳）: SeeClear: ジェネレータによる信頼性の高い透明物体深度推定
• Authors: Xiaoying Wang, Yumeng He, Jingkai Shi, Jiayin Lu, Yin Yang, Ying Jiang, Chenfanfu Jiang,
• Abstract要約: SeeClearは透明なオブジェクトを生成不透明なイメージに変換する新しいフレームワークである。 透明物体に対する安定な単分子深度推定を可能にする。 合成データセットと実世界のデータセットの両方の実験により、SeeClearは透明なオブジェクトの深さ推定を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 21.13173486320481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular depth estimation remains challenging for transparent objects, where refraction and transmission are difficult to model and break the appearance assumptions used by depth networks. As a result, state-of-the-art estimators often produce unstable or incorrect depth predictions for transparent materials. We propose SeeClear, a novel framework that converts transparent objects into generative opaque images, enabling stable monocular depth estimation for transparent objects. Given an input image, we first localize transparent regions and transform their refractive appearance into geometrically consistent opaque shapes using a diffusion-based generative opacification module. The processed image is then fed into an off-the-shelf monocular depth estimator without retraining or architectural changes. To train the opacification model, we construct SeeClear-396k, a synthetic dataset containing 396k paired transparent-opaque renderings. Experiments on both synthetic and real-world datasets show that SeeClear significantly improves depth estimation for transparent objects. Project page: https://heyumeng.com/SeeClear-web/
• Abstract（参考訳）: 単一分子深度推定は、深度ネットワークが使用する外観仮定をモデル化し破ることが困難である透明物体では依然として困難である。 その結果、最先端の推定器は、しばしば透明な材料に対して不安定または誤った深度予測を生成する。 本稿では,透明物体を生成不透明画像に変換する新しいフレームワークであるSeeeClearを提案する。 入力画像が与えられた場合、まず透明領域を局所化し、その屈折率を拡散型生成増幅モジュールを用いて幾何学的に一貫した不透明な形状に変換する。 処理された画像は、再トレーニングやアーキテクチャの変更なしに、既成の単分子深度推定器に入力される。 オーパシフィケーションモデルをトレーニングするために,SeeClear-396kという396kペアの透明アンパクレンダリングを含む合成データセットを構築した。 合成データセットと実世界のデータセットの両方の実験により、SeeClearは透明なオブジェクトの深さ推定を大幅に改善することが示された。 プロジェクトページ:https://heyumeng.com/SeeClear-web/

関連論文リスト

• DiffTrans: Differentiable Geometry-Materials Decomposition for Reconstructing Transparent Objects [53.83670041249326]
  多視点画像から透明な物体を再構成することは、光伝搬の複雑な性質と不確定な振る舞いのために難しい課題である。 本稿では,透明物体の形状や材料を効率よく分解・再構成できる,DiffTransと呼ばれる透明物体の識別可能なレンダリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T02:21:31Z)
• Fix False Transparency by Noise Guided Splatting [4.778060896816705]
  3DGSによって再構成された不透明な物体は、しばしば偽の透明な表面を示す。 この問題は、3DGSの不正な最適化に起因している。 我々は表面ガウシアンにより高い不透明度を採用するよう奨励する戦略を提案する。
  論文  参考訳（メタデータ） (2025-10-17T15:28:24Z)
• ReFlow6D: Refraction-Guided Transparent Object 6D Pose Estimation via Intermediate Representation Learning [48.29147383536012]
  透明な物体6次元ポーズ推定のための新しい手法であるReFlow6Dを提案する。 従来の手法とは異なり,RGB画像空間の変化や深度情報に依存しない特徴空間を利用する。 ReFlow6Dは,RGB画像のみを入力として,透明物体の正確な6次元ポーズ推定を実現する。
  論文  参考訳（メタデータ） (2024-12-30T09:53:26Z)
• From Transparent to Opaque: Rethinking Neural Implicit Surfaces with $α$-NeuS [41.38491898098891]
  本稿では、NeuSの拡張である$alpha$-Neusを紹介します。 我々は,DFに基づいて透明で不透明な表面を同時に抽出する手法を開発し,実世界のシーンと合成シーンの両方を含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-11-08T06:36:31Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• TransNet: Transparent Object Manipulation Through Category-Level Pose Estimation [6.844391823478345]
  局所化深度補完と表面正規化を用いたカテゴリレベルの透明なオブジェクトポーズを推定する2段階パイプラインを提案する。 その結果,トランスネットは透明物体のポーズ推定精度の向上を実現していることがわかった。 われわれはTransNetを使って、ロボットピック・アンド・プレイスと注ぐタスクのための自律的透明なオブジェクト操作システムを構築している。
  論文  参考訳（メタデータ） (2023-07-23T18:38:42Z)
• StereoPose: Category-Level 6D Transparent Object Pose Estimation from Stereo Images via Back-View NOCS [106.62225866064313]
  本稿では,カテゴリレベルのオブジェクトポーズ推定のためのステレオ画像フレームワークであるStereoPoseを紹介する。 純粋なステレオ画像からロバストな推定を行うため、カテゴリレベルのポーズ推定をオブジェクトサイズ推定、初期ポーズ推定、ポーズ修正に分解するパイプラインを開発する。 画像コンテンツエイリアス化の問題に対処するために、透明なオブジェクトに対するバックビューNOCSマップを定義する。 バックビューNOCSは、コンテンツエイリアスによるネットワーク学習のあいまいさを低減し、透明オブジェクトの背面にある情報的手がかりを利用してより正確なポーズ推定を行うことを目的としている。
  論文  参考訳（メタデータ） (2022-11-03T08:36:09Z)
• TODE-Trans: Transparent Object Depth Estimation with Transformer [16.928131778902564]
  トランスを用いた1つのRGB-D入力からの透明物体深度推定手法を提案する。 きめ細かい機能を強化するため、特徴融合モジュール(FFM)はコヒーレントな予測を支援するように設計されている。
  論文  参考訳（メタデータ） (2022-09-18T03:04:01Z)
• TransNet: Category-Level Transparent Object Pose Estimation [6.844391823478345]
  視覚的特徴の区別の欠如により、透明な物体は不透明な物体よりも検出と位置決めが困難になる。 第二の課題は、通常不透明物体の知覚に使用される一般的な深度センサーが透明物体の正確な深度測定を得ることができないことである。 局所的な深度補完と表面正規推定を用いてカテゴリレベルの透明なオブジェクトポーズを推定する2段階パイプラインであるTransNetを提案する。
  論文  参考訳（メタデータ） (2022-08-22T01:34:31Z)
• TransCG: A Large-Scale Real-World Dataset for Transparent Object Depth Completion and Grasping [46.6058840385155]
  我々は、透明な物体深度を補完する大規模な実世界のデータセットをコントリビュートする。 データセットには、130の異なるシーンから57,715枚のRGB-D画像が含まれている。 本稿では,RGB画像と不正確な深度マップを入力とし,精細化された深度マップを出力するエンド・ツー・エンドの深度補完ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-17T06:50:20Z)
• Through the Looking Glass: Neural 3D Reconstruction of Transparent Shapes [75.63464905190061]
  屈折と反射によって誘導される複雑な光路は、従来の多視点ステレオと深いステレオの両方がこの問題を解決するのを妨げている。 携帯電話カメラで取得したいくつかの画像を用いて透明物体の3次元形状を復元する物理ネットワークを提案する。 5-12個の自然画像を用いて, 複雑な透明形状に対する高品質な3次元形状の復元に成功した。
  論文  参考訳（メタデータ） (2020-04-22T23:51:30Z)

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。