論文の概要: Drive-Through 3D Vehicle Exterior Reconstruction via Dynamic-Scene SfM and Distortion-Aware Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2603.26638v1
- Date: Fri, 27 Mar 2026 17:42:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.620464
- Title: Drive-Through 3D Vehicle Exterior Reconstruction via Dynamic-Scene SfM and Distortion-Aware Gaussian Splatting
- Title（参考訳）: ダイナミックシーンSfMと歪対応ガウス平滑化によるドライブスルー3次元車両外面再構成
- Authors: Nitin Kulkarni, Akhil Devarashetti, Charlie Cluss, Livio Forte, Philip Schneider, Chunming Qiao, Alina Vereshchaka,
- Abstract要約: 自動車外装の高忠実な3D再構築は、オンライン自動車市場における購入者の信頼を高める。
これらのモデルを散らかしたディーラードライブスルーで生成することは、深刻な技術的課題をもたらす。
2ピラーカメラリグを用いたエンドツーエンドパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 16.30721514005399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-fidelity 3D reconstruction of vehicle exteriors improves buyer confidence in online automotive marketplaces, but generating these models in cluttered dealership drive-throughs presents severe technical challenges. Unlike static-scene photogrammetry, this setting features a dynamic vehicle moving against heavily cluttered, static backgrounds. This problem is further compounded by wide-angle lens distortion, specular automotive paint, and non-rigid wheel rotations that violate classical epipolar constraints. We propose an end-to-end pipeline utilizing a two-pillar camera rig. First, we resolve dynamic-scene ambiguities by coupling SAM 3 for instance segmentation with motion-gating to cleanly isolate the moving vehicle, explicitly masking out non-rigid wheels to enforce strict epipolar geometry. Second, we extract robust correspondences directly on raw, distorted 4K imagery using the RoMa v2 learned matcher guided by semantic confidence masks. Third, these matches are integrated into a rig-aware SfM optimization that utilizes CAD-derived relative pose priors to eliminate scale drift. Finally, we use a distortion-aware 3D Gaussian Splatting framework (3DGUT) coupled with a stochastic Markov Chain Monte Carlo (MCMC) densification strategy to render reflective surfaces. Evaluations on 25 real-world vehicles across 10 dealerships demonstrate that our full pipeline achieves a PSNR of 28.66 dB, an SSIM of 0.89, and an LPIPS of 0.21 on held-out views, representing a 3.85 dB improvement over standard 3D-GS, delivering inspection-grade interactive 3D models without controlled studio infrastructure.
- Abstract（参考訳）: 自動車外装の高忠実度3D再構築は、オンライン自動車市場における買い手の信頼を向上させるが、散在するディーラーのドライブスルーでこれらのモデルを生成することは、深刻な技術的課題をもたらす。
スタティックシーンのフォトグラメトリーとは異なり、この設定は、非常に散らかった静的な背景に対して動いたダイナミックな車両を特徴としている。
この問題は、広角レンズ歪み、特異な自動車塗料、および古典的なエピポーラ制約に反する非剛性ホイール回転によってさらに複雑化されている。
2ピラーカメラリグを用いたエンドツーエンドパイプラインを提案する。
まず,移動車両をきれいに分離するために,SAM3のセグメント化を移動車両と組み合わせ,厳密なエピポーラ幾何学を強制するために非剛性車輪を明示的にマスキングすることで,動的シーンの曖昧さを解消する。
第2に、意味的信頼マスクで案内されたRoMa v2学習マッカーを用いて、生の歪んだ4K画像に直接頑健な対応を抽出する。
第三に、これらのマッチングはCAD由来の相対的なポーズを利用してスケールドリフトを除去するrig-aware SfM最適化に統合される。
最後に,3次元ガウススティングフレームワーク(3DGUT)と確率的マルコフ・チェイン・モンテカルロ(MCMC)密度化戦略を組み合わせて反射面を描画する。
10のディーラーにわたる25台の現実世界の車両の評価は、当社の全パイプラインがPSNR28.66dB、SSIM0.89、LPIPS0.21を達成し、標準的な3D-GSよりも3.85dB改善され、スタジオインフラを制御せずにインスペクショングレードのインタラクティブな3Dモデルを提供することを示す。
関連論文リスト
- 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) - Rig-Aware 3D Reconstruction of Vehicle Undercarriages using Gaussian Splatting [15.633861502167663]
車両が走行する際、車体下部の映像を撮影するために3台のカメラ・リグを使用するエンドツーエンドパイプラインを提案する。
3Dモデルでは、検査官や顧客は下着を回転、ズーム、スライスして、さび、漏れ、衝撃を数秒で検出できる。
本手法は,正確なカメラキャリブレーション,同期映像ストリーム,カメラリグからの強い幾何学的先行情報を統合することで,広角レンズ歪みと低パララックスシーンの課題を克服する。
論文 参考訳（メタデータ） (2026-01-20T18:13:03Z) - DGGT: Feedforward 4D Reconstruction of Dynamic Driving Scenes using Unposed Images [36.562825380568384]
ポーズレス動的シーン再構築のための統合フレームワークである textbf driving Gaussian Grounded Transformer (DGGT) を紹介する。
提案手法は,フレームごとの3次元ガウスマップとカメラパラメータを共同で予測し,軽量なダイナミックヘッドでダイナミックスを歪曲する。
拡散ベースのレンダリング改善により、運動・補間アーティファクトがさらに減少し、スパース入力下での新規ビュー品質が向上する。
論文 参考訳（メタデータ） (2025-12-02T18:29:18Z) - RoCo-Sim: Enhancing Roadside Collaborative Perception through Foreground Simulation [30.744548212616007]
道路側協調認識のための最初のシミュレーションフレームワークRoCo-Simを提案する。
RoCo-Simは多様なマルチビュー一貫した路面データを生成することができる。
コードと事前訓練されたモデルはまもなくリリースされる。
論文 参考訳（メタデータ） (2025-03-13T14:33:42Z) - OG-Gaussian: Occupancy Based Street Gaussians for Autonomous Driving [12.47557991785691]
我々は,LiDAR点雲をサラウンドビューカメラ画像から生成されたOG(Occupancy Grids)に置き換える新しいアプローチであるOG-Gaussianを提案する。
提案手法は,OGのセマンティック情報を利用して静的道路背景から動的車両を分離し,これらのグリッドを2つの初期点雲に変換し,静的物体と動的物体の両方を再構成する。
Openデータセットの実験では、OG-Gaussianは復元品質とレンダリング速度の点で現在の最先端と同等であり、平均PSNRは35.13、レンダリング速度は143 FPSであることが示された。
論文 参考訳（メタデータ） (2025-02-20T04:00:47Z) - T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。
我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
論文 参考訳（メタデータ） (2024-11-29T07:45:24Z) - AutoSplat: Constrained Gaussian Splatting for Autonomous Driving Scene Reconstruction [17.600027937450342]
AutoSplatは、自動走行シーンの高度に現実的な再構築を実現するために、ガウシアンスプラッティングを使用したフレームワークである。
本手法は,車線変更を含む課題シナリオの多視点一貫したシミュレーションを可能にする。
論文 参考訳（メタデータ） (2024-07-02T18:36:50Z) - DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes [57.12439406121721]
我々は動的自律走行シーンを囲む効率的かつ効果的なフレームワークであるDrivingGaussianを提案する。
動くオブジェクトを持つ複雑なシーンでは、まずシーン全体の静的な背景を逐次、段階的にモデル化します。
次に、複合動的ガウスグラフを利用して、複数の移動物体を処理する。
我々はさらに、ガウススプラッティングに先立ってLiDARを使用して、より詳細でシーンを再構築し、パノラマ一貫性を維持する。
論文 参考訳（メタデータ） (2023-12-13T06:30:51Z) - 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) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
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。