論文の概要: AutoWeather4D: Autonomous Driving Video Weather Conversion via G-Buffer Dual-Pass Editing
- arxiv url: http://arxiv.org/abs/2603.26546v3
- Date: Thu, 02 Apr 2026 02:56:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:09.070671
- Title: AutoWeather4D: Autonomous Driving Video Weather Conversion via G-Buffer Dual-Pass Editing
- Title（参考訳）: AutoWeather4D: G-Buffer Dual-Pass編集による自動走行ビデオ気象変換
- Abstract要約: AutoWeather4Dは、幾何学と照明を明確に分離するために設計されたフィードフォワード3D対応気象編集フレームワークである。
実験により、AutoWeather4Dは、生成ベースラインに匹敵する光リアリズムと構造的整合性を達成することが示された。
- 参考スコア（独自算出の注目度）: 40.7960078327044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative video models have significantly advanced the photorealistic synthesis of adverse weather for autonomous driving; however, they consistently demand massive datasets to learn rare weather scenarios. While 3D-aware editing methods alleviate these data constraints by augmenting existing video footage, they are fundamentally bottlenecked by costly per-scene optimization and suffer from inherent geometric and illumination entanglement. In this work, we introduce AutoWeather4D, a feed-forward 3D-aware weather editing framework designed to explicitly decouple geometry and illumination. At the core of our approach is a G-buffer Dual-pass Editing mechanism. The Geometry Pass leverages explicit structural foundations to enable surface-anchored physical interactions, while the Light Pass analytically resolves light transport, accumulating the contributions of local illuminants into the global illumination to enable dynamic 3D local relighting. Extensive experiments demonstrate that AutoWeather4D achieves comparable photorealism and structural consistency to generative baselines while enabling fine-grained parametric physical control, serving as a practical data engine for autonomous driving.
- Abstract（参考訳）: 生成ビデオモデルは、自動運転車の悪天候の光現実的な合成を大幅に進歩させたが、希少な気象シナリオを学習するためには、常に大量のデータセットを必要としている。
3D対応編集手法は、既存の映像を拡大することにより、これらの制約を緩和するが、コストのかかるシーンごとの最適化により、基本的にボトルネックとなり、固有の幾何学的および照明的絡み合いに悩まされる。
そこで本研究では,測位と照明を明示的に切り離すために設計された,フィードフォワード3D対応気象情報編集フレームワークであるAutoWeather4Dを紹介する。
我々のアプローチの核心は、Gバッファのデュアルパス編集機構である。
光路は光輸送を解析的に解決し、局所的な照度をグローバルな照明に蓄積し、ダイナミックな3D局所照明を可能にする。
大規模な実験により、AutoWeather4Dは、生成ベースラインに匹敵する光リアリズムと構造的整合性を達成しつつ、詳細なパラメトリック物理制御を可能にし、自律運転のための実用的なデータエンジンとして機能することを実証した。
関連論文リスト
- LiveLight: Real-time Streaming Video Relighting with Interactive Control [50.08584152649119]
インタラクティブな3Dライティング制御を備えたリアルタイムストリーミングビデオリライティングのための,最初の拡散ベースのフレームワークであるLiveLightを紹介する。
拡散モデルに動的3D照明を効果的に注入し、低NFE予算下で高忠実度生成を維持し、対話型制御のための連続ストリーミングを容易にするという3つの重要な課題を克服する。
実世界のベンチマークと合成ベンチマークの実験は、LiveLightがリアルタイムに実行しながら最先端のリライト品質を達成することを示した。
論文 参考訳（メタデータ） (2026-08-03T06:45:00Z) - DriveWeaver: Point-Conditioned Video Inpainting for Controllable Vehicle Insertion in Autonomous Driving Simulation [9.201369685231532]
DriveWeaverは、自律運転シミュレーションにおける制御可能な車両挿入のための新しいフレームワークである。
我々は、時間的に一貫した車両を生成するために、車両点雲に条件付映像を塗布する。
本手法は,視覚リアリズムと幾何学的整合性において,既存のベースラインよりも優れる。
論文 参考訳（メタデータ） (2026-06-30T16:23:32Z) - ReinDriveGen: Reinforcement Post-Training for Out-of-Distribution Driving Scene Generation [61.64162666162948]
ReinDriveGenは動的駆動シーンのフルコントロールを可能にするフレームワークである。
提案手法は,マルチフレームLiDARデータから動的3Dポイントクラウドシーンを構築する。
提案手法では,映像拡散モデルを用いてリアルな運転映像を合成する2次元条件画像に編集シーンを描画する。
論文 参考訳（メタデータ） (2026-04-01T16:48:20Z) - HorizonForge: Driving Scene Editing with Any Trajectories and Any Vehicles [63.88996084630768]
制御可能な運転シーン生成は、現実的でスケーラブルな自律運転シミュレーションに不可欠である。
シーンを編集可能なガウス版とメッシュとして再構築する統合フレームワークであるHorizonForgeを紹介した。
実験により、ガウス・メシュ表現は代替の3次元表現よりもかなり高い忠実性をもたらすことが示された。
論文 参考訳（メタデータ） (2026-02-24T20:03:47Z) - Nighttime Autonomous Driving Scene Reconstruction with Physically-Based Gaussian Splatting [19.61590675458685]
本稿では3DGSに物理ベースレンダリングを取り入れた新しい手法を提案する。
本手法は,実時間レンダリングを維持しつつ,屋外の夜間運転シーンの再現性を向上させる。
論文 参考訳（メタデータ） (2026-02-14T01:49:23Z) - SymDrive: Realistic and Controllable Driving Simulator via Symmetric Auto-regressive Online Restoration [37.202523124756034]
現在のアプローチは、しばしば大きな角度の新規ビュー合成に干渉し、資産操作中に幾何学的または照明的アーティファクトに悩まされる。
高品質なレンダリングとシーン編集が可能な統合拡散ベースのフレームワークであるSymDriveを提案する。
我々は,SymDriveが新規視認性向上とリアル3D車両挿入の両面において,光実写性能を実現することを実証した。
論文 参考訳（メタデータ） (2025-12-25T10:28:43Z) - SceneCrafter: Controllable Multi-View Driving Scene Editing [44.91248700043744]
SceneCrafterは、複数のカメラから撮影した運転シーンをリアルな3D一貫性で操作するための汎用的なエディタである。
SceneCrafterは、既存のベースラインと比較して最先端のリアリズム、制御性、3D一貫性、シーン編集品質を実現している。
論文 参考訳（メタデータ） (2025-06-24T10:23:47Z) - GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。
車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。
動作精度と空間認識の両面で既存のモデルよりも優れていた。
論文 参考訳（メタデータ） (2025-05-28T14:46:51Z) - StreetCrafter: Street View Synthesis with Controllable Video Diffusion Models [76.62929629864034]
我々は,LDARポイントクラウドレンダリングをピクセルレベルの条件として利用する,制御可能なビデオ拡散モデルであるStreetCrafterを紹介する。
さらに、画素レベルのLiDAR条件を利用することで、ターゲットシーンに対して正確なピクセルレベルの編集を行うことができる。
我々のモデルは視点変化を柔軟に制御し、レンダリング領域を満たすためのビューを拡大する。
論文 参考訳（メタデータ） (2024-12-17T18:58:55Z)
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。