論文の概要: SatGeo-NeRF: Geometrically Regularized NeRF for Satellite Imagery
- arxiv url: http://arxiv.org/abs/2603.21931v1
- Date: Mon, 23 Mar 2026 12:50:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.675079
- Title: SatGeo-NeRF: Geometrically Regularized NeRF for Satellite Imagery
- Title（参考訳）: SatGeo-NeRF:衛星画像のための幾何学的に規則化されたNeRF
- Authors: Valentin Wagner, Sebastian Bullinger, Michael Arens, Rainer Stiefelhagen,
- Abstract要約: SatGeo-NeRFは、衛星画像のための幾何学的に規則化されたNeRFである。
これは、現在の最先端モデルで観察される過度に適合する幾何学的アーティファクトを緩和する。
- 参考スコア（独自算出の注目度）: 26.881377606601948
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present SatGeo-NeRF, a geometrically regularized NeRF for satellite imagery that mitigates overfitting-induced geometric artifacts observed in current state-of-the-art models using three model-agnostic regularizers. Gravity-Aligned Planarity Regularization aligns depth-inferred, approximated surface normals with the gravity axis to promote local planarity, coupling adjacent rays via a corresponding surface approximation to facilitate cross-ray gradient flow. Granularity Regularization enforces a coarse-to-fine geometry-learning scheme, and Depth-Supervised Regularization stabilizes early training for improved geometric accuracy. On the DFC2019 satellite reconstruction benchmark, SatGeo-NeRF improves the Mean Altitude Error by 13.9% and 11.7% relative to state-of-the-art baselines such as EO-NeRF and EO-GS.
- Abstract（参考訳）: 衛星画像のための幾何正規化NeRFであるSatGeo-NeRFは、3つのモデル非正規化器を用いて、現在の最先端モデルで観測される過度に適合する幾何学的アーティファクトを緩和する。
重力アライメントされた平面性正規化(英語版)は、表面の深さと近似された表面の正規度を重力軸に整列させ、局所的な平面性を促進し、対応する表面近似を介して隣接した光線を結合し、交差線勾配流を促進する。
粒度正規化は粗大な幾何学習スキームを強制し、深度スーパービジョン正則化は早期の訓練を安定化させ、幾何精度を向上させる。
DFC2019衛星再構成ベンチマークでは、SatGeo-NeRFは平均高度誤差を13.9%改善し、EO-NeRFやEO-GSのような最先端のベースラインに対して11.7%改善した。
関連論文リスト
- GeoDiff-SAR: A Geometric Prior Guided Diffusion Model for SAR Image Generation [8.561613404715237]
既存の生成法は主に画像領域内で動作し、明示的な幾何学的情報を無視する。
高忠実度SAR画像生成のための幾何学的先導拡散モデルGeoDiff-SARを提案する。
その結果,GeoDiff-SARが生成したデータは高い忠実度を示し,下流分類タスクの精度を効果的に向上させることがわかった。
論文 参考訳（メタデータ） (2026-01-07T01:27:20Z) - Gaussian Entropy Fields: Driving Adaptive Sparsity in 3D Gaussian Optimization [0.10742675209112619]
3D Gaussian Splatting (3DGS) は、新しいビュー合成の先駆的手法として登場し、例外的なレンダリング効率を示している。
この研究は、原始分布における低構成エントロピーに対するエントロピー最小化によるエントロピー駆動曲面モデリングを導入する。
実験により、GEFはDTUおよびT&Tベンチマークの競合幾何精度を実現し、優れたレンダリング品質を提供することが示された。
論文 参考訳（メタデータ） (2025-12-04T07:44:42Z) - SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。
本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文 参考訳（メタデータ） (2025-11-21T16:32:01Z) - GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。
最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。
この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。
本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。
提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
論文 参考訳（メタデータ） (2024-06-14T07:54:25Z) - PGSR: Planar-based Gaussian Splatting for Efficient and High-Fidelity Surface Reconstruction [37.14913599050765]
高忠実表面再構成を実現するために,高速平面型ガウススプラッティング再構成表現(PGSR)を提案する。
次に、大域的幾何精度を維持するために、一視点幾何、多視点測光、幾何正則化を導入する。
提案手法は3DGS法およびNeRF法よりも優れた高忠実度レンダリングと幾何再構成を維持しつつ,高速なトレーニングとレンダリングを実現する。
論文 参考訳（メタデータ） (2024-06-10T17:59:01Z) - SGCNeRF: Few-Shot Neural Rendering via Sparse Geometric Consistency Guidance [136.15885067858298]
本研究では、空間的に一貫した幾何フィルタリング機構と周波数誘導幾何正規化戦略により強化された特徴マッチングに基づくスパース幾何正規化モジュールを提案する。
実験により, SGCNeRFは, LLFFおよびDTUにおけるPSNRの0.7dBの改善により, 優れた幾何整合性を実現し, かつFreeNeRFを超えていることが示された。
論文 参考訳（メタデータ） (2024-04-01T08:37:57Z) - Stable Surface Regularization for Fast Few-Shot NeRF [76.00444039563581]
我々はAnnealing Signed Distance Function (ASDF) と呼ばれる安定表面正規化手法を開発した。
SDFの異なるレベルセットを形成するためには、アイコンの損失が密集した訓練信号を必要とすることが観察され、数発の訓練で低忠実度結果が得られた。
提案手法は、既存の数発の新規ビュー合成法よりも最大45倍高速である。
論文 参考訳（メタデータ） (2024-03-29T05:39:47Z) - HR-NeuS: Recovering High-Frequency Surface Geometry via Neural Implicit
Surfaces [6.382138631957651]
我々は新しい暗黙表面再構成法であるHigh-Resolution NeuSを提案する。
HR-NeuSは大規模な再構成精度を維持しながら高周波表面形状を復元する。
我々は,DTUおよびBlendedMVSデータセットを用いた実験により,従来の手法と同等の精度で定性的に詳細かつ定量的な3次元測地を生成できることを実証した。
論文 参考訳（メタデータ） (2023-02-14T02:25:16Z)
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。