論文の概要: ProDiG: Progressive Diffusion-Guided Gaussian Splatting for Aerial to Ground Reconstruction
- arxiv url: http://arxiv.org/abs/2604.02003v1
- Date: Thu, 02 Apr 2026 13:09:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.800287
- Title: ProDiG: Progressive Diffusion-Guided Gaussian Splatting for Aerial to Ground Reconstruction
- Title（参考訳）: ProDiG: 空気-地盤再構成のためのプログレッシブ拡散誘導型ガウススプラッティング
- Abstract要約: ProDiGは、空中3D表現を地上レベルの忠実度に変換する拡散誘導フレームワークである。
視覚的に現実的な地上レベルのレンダリングとコヒーレントな3D幾何学を生成し、既存のアプローチよりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 24.54261347154623
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generating ground-level views and coherent 3D site models from aerial-only imagery is challenging due to extreme viewpoint changes, missing intermediate observations, and large scale variations. Existing methods either refine renderings post-hoc, often producing geometrically inconsistent results, or rely on multi-altitude ground-truth, which is rarely available. Gaussian Splatting and diffusion-based refinements improve fidelity under small variations but fail under wide aerial-to-ground gaps. To address these limitations, we introduce ProDiG (Progressive Altitude Gaussian Splatting), a diffusion-guided framework that progressively transforms aerial 3D representations toward ground-level fidelity. ProDiG synthesizes intermediate-altitude views and refines the Gaussian representation at each stage using a geometry-aware causal attention module that injects epipolar structure into reference-view diffusion. A distance-adaptive Gaussian module dynamically adjusts Gaussian scale and opacity based on camera distance, ensuring stable reconstruction across large viewpoint gaps. Together, these components enable progressive, geometrically grounded refinement without requiring additional ground-truth viewpoints. Extensive experiments on synthetic and real-world datasets demonstrate that ProDiG produces visually realistic ground-level renderings and coherent 3D geometry, significantly outperforming existing approaches in terms of visual quality, geometric consistency, and robustness to extreme viewpoint changes.
- Abstract（参考訳）: 空中のみの画像から地上レベルのビューとコヒーレントな3Dサイトモデルを生成することは、極端な視点の変化、中間観測の欠如、大規模な変動のために困難である。
既存の手法は、ポストホックのレンダリングを洗練させ、幾何学的に矛盾した結果をしばしば生み出すか、あるいは、ほとんど利用できない多高度の地上構造に依存している。
ガウスのスプティングと拡散に基づく改良は、小さなバリエーションで忠実さを向上するが、広い空対地ギャップでは失敗する。
これらの制約に対処するため,プロディG(Progressive Altitude Gaussian Splatting)を導入する。
ProDiGは、視線拡散にエピポーラ構造を注入する幾何対応因果注意モジュールを用いて、中間高度ビューを合成し、各ステージにおけるガウス表現を洗練する。
距離適応型ガウスモジュールは、カメラ距離に基づいてガウススケールと不透明度を動的に調整し、大きな視点ギャップを越えて安定した再構成を保証する。
これらのコンポーネントは、追加の地平の視点を必要とせずに、プログレッシブで幾何学的に地平の洗練を可能にする。
合成および実世界のデータセットに関する大規模な実験により、ProDiGは視覚的に現実的な地上レベルのレンダリングとコヒーレントな3D幾何学を生成し、視覚的品質、幾何学的整合性、極端な視点の変化に対する堅牢性において、既存のアプローチよりもはるかに優れていた。
関連論文リスト
- FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity [34.142288038459704]
FlowObjectは、スパースビューの3D再構成をトレーニング不要でガイド付き逆問題として再構成するフレームワークである。
提案手法は、幾何学的完全性およびビュー依存外観忠実度の両方において、最先端の生成モデルと最適化に基づくフレームワークを著しく上回る。
論文 参考訳（メタデータ） (2026-06-17T12:42:09Z) - GaussianZoom: Progressive Zoom-in Generative 3D Gaussian Splatting with Geometric and Semantic Guidance [55.14874423865652]
低解像度入力からの高忠実度極端ズームインレンダリングを実現するために,反復的なプログレッシブ・フレームワークを備えた生成型ズームイン3D再構成システムを提案する。
Mip-NeRF360 と Tanks&Temples の実験により、ガウシアンズームは極大化下での知覚品質、多視点整合性、堅牢性に優れることを示した。
論文 参考訳（メタデータ） (2026-05-18T11:52:36Z) - Joint Geometry-Appearance Human Reconstruction in a Unified Latent Space via Bridge Diffusion [57.09673862519791]
本稿では,幾何学と外観のモデリングを結合潜在表現に統一する新しいフレームワークである textbfJGA-LBD を紹介する。
実験により、JGA-LBDは、幾何学的忠実度と外観品質の両方の観点から、現在の最先端アプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-01-01T12:48:56Z) - Spherical Voronoi: Directional Appearance as a Differentiable Partition of the Sphere [40.4559860929106]
球状ボロノイを3次元ガウススプラッティングにおける外観表現の統一的枠組みとして提案する。
拡散的な外観では、SVは既存の代替よりも最適化をシンプルに保ちながら、競争結果を達成する。
この定式化は、合成および実世界のデータセットに関する最先端の結果を得る。
論文 参考訳（メタデータ） (2025-12-16T08:21:41Z) - VA-GS: Enhancing the Geometric Representation of Gaussian Splatting via View Alignment [48.147381011235446]
3D Gaussian Splattingは、リアルタイムな新規ビュー合成のための効率的なソリューションとして最近登場した。
ビューアライメントによる3次元ガウス多様体の幾何学的表現を強化する新しい手法を提案する。
本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-10-13T14:44:50Z) - OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。
提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
論文 参考訳（メタデータ） (2025-09-27T11:19:32Z) - Accurate and Complete Surface Reconstruction from 3D Gaussians via Direct SDF Learning [5.604709769018076]
3D Gaussian Splatting (3DGS) はフォトリアリスティック・ビュー・シンセサイザーの強力なパラダイムとして登場した。
3DGSパイプラインに直接サインドディスタンスフィールド(Signed Distance Field, SDF)学習を組み込む統合フレームワークであるDiGSを提案する。
DiGSは高い忠実度を維持しつつ,復元精度と完全性を常に向上することを示す。
論文 参考訳（メタデータ） (2025-09-09T08:17:46Z) - Diffusion-Guided Gaussian Splatting for Large-Scale Unconstrained 3D Reconstruction and Novel View Synthesis [22.767866875051013]
本稿では,現行手法の限界に対処する多視点拡散モデルを用いて,新しい3DGSフレームワークであるGS-Diffを提案する。
マルチビュー入力に条件付き擬似観測を生成することにより、制約の少ない3次元再構成問題をよく表されたものに変換する。
4つのベンチマークの実験では、GS-Diffは最先端のベースラインをかなりのマージンで一貫して上回っている。
論文 参考訳（メタデータ） (2025-04-02T17:59:46Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - 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)
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。