論文の概要: Part-Level 3D Gaussian Vehicle Generation with Joint and Hinge Axis Estimation
- arxiv url: http://arxiv.org/abs/2604.05070v1
- Date: Mon, 06 Apr 2026 18:16:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.434128
- Title: Part-Level 3D Gaussian Vehicle Generation with Joint and Hinge Axis Estimation
- Title（参考訳）: 関節軸推定とヒンジ軸推定による部分レベル3次元ガウス車両の生成
- Authors: Shiyao Qian, Yuan Ren, Dongfeng Bai, Bingbing Liu,
- Abstract要約: シミュレーションは自動運転に不可欠であるが、現在のフレームワークは、しばしば車両を剛性資産としてモデル化し、部分レベルの調音を捉えるのに失敗する。
本稿では,単一画像やスパース多視点入力からアニマタブルな3次元ガウス車両を合成する生成フレームワークを提案する。
提案手法は2つの課題に対処する: (i) 大きな3Dアセットジェネレータは静的な品質に最適化されているが, 調音には最適化されていない; (ii) セグメンテーションだけでは運動に必要な運動パラメータは提供できない。
- 参考スコア（独自算出の注目度）: 19.45064081855758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation is essential for autonomous driving, yet current frameworks often model vehicles as rigid assets and fail to capture part-level articulation. With perception algorithms increasingly leveraging dynamics such as wheel steering or door opening, realistic simulation requires animatable vehicle representations. Existing CAD-based pipelines are limited by library coverage and fixed templates, preventing faithful reconstruction of in-the-wild instances. We propose a generative framework that, from a single image or sparse multi-view input, synthesizes an animatable 3D Gaussian vehicle. Our method addresses two challenges: (i) large 3D asset generators are optimized for static quality but not articulation, leading to distortions at part boundaries when animated; and (ii) segmentation alone cannot provide the kinematic parameters required for motion. To overcome this, we introduce a part-edge refinement module that enforces exclusive Gaussian ownership and a kinematic reasoning head that predicts joint positions and hinge axes of movable parts. Together, these components enable faithful part-aware simulation, bridging the gap between static generation and animatable vehicle models.
- Abstract（参考訳）: シミュレーションは自動運転に不可欠であるが、現在のフレームワークは、しばしば車両を剛性資産としてモデル化し、部分レベルの調音を捉えるのに失敗する。
認識アルゴリズムは車輪ステアリングやドアオープニングなどのダイナミクスをますます活用しているため、現実的なシミュレーションにはアニマタブルな車両表現が必要である。
既存のCADベースのパイプラインはライブラリのカバレッジと固定テンプレートによって制限されており、Wildインスタンスの忠実な再構築を防いでいる。
本稿では,単一画像または疎多視点入力からアニマタブルな3Dガウス車両を合成する生成フレームワークを提案する。
我々の方法は2つの課題に対処する。
(i)大きな3Dアセットジェネレータは静的な品質に最適化されているが、調音には最適化されていないため、アニメーション時に部分境界での歪みが発生する。
(ii)セグメンテーションだけでは運動に必要な運動パラメータは提供できない。
これを解決するために,排他的なガウスの所有を強制する部分端改良モジュールと,可動部品の関節位置とヒンジ軸を予測する運動論的推論ヘッドを導入する。
これらのコンポーネントは、静的生成とアニマタブルな車両モデルの間のギャップを埋める、忠実な部分認識シミュレーションを可能にする。
関連論文リスト
- MotionAnymesh: Physics-Grounded Articulation for Simulation-Ready Digital Twins [25.25391483526521]
MotionAnymeshは、非構造化の静的メッシュをシミュレーション可能なデジタルツインにシームレスに変換するフレームワークである。
提案手法は, VLM推論をSP4D物理先行値で根拠とした運動認識部分分割モジュールを特徴とする。
論文 参考訳（メタデータ） (2026-03-13T12:30:42Z) - 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) - AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。
我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
論文 参考訳（メタデータ） (2026-02-04T15:42:58Z) - DragMesh: Interactive 3D Generation Made Easy [12.832539752284466]
DragMeshはリアルタイムインタラクティブな3Dコーディネーションのための堅牢なフレームワークである。
私たちのコアコントリビューションは、新しい分離されたキネマティック推論とモーションジェネレーションフレームワークです。
論文 参考訳（メタデータ） (2025-12-06T13:10:44Z) - IDSplat: Instance-Decomposed 3D Gaussian Splatting for Driving Scenes [25.939318593012484]
動的駆動シーンの再構築は、センサ・リアリスティック・シミュレーションによる自律システム開発に不可欠である。
我々は,動的シーンを明示的なインスタンス分解と学習可能なモーショントラジェクトリで再構成する,自己教師型3次元ガウススティングフレームワークIDSplatを提案する。
本手法は, インスタンスレベルの分解を維持しつつ, 競合する再構成品質を実現し, 再トレーニングを伴わずに, 多様なシーケンスやビュー密度を一般化する。
論文 参考訳（メタデータ） (2025-11-24T15:48:08Z) - REACT3D: Recovering Articulations for Interactive Physical 3D Scenes [96.27769519526426]
REACT3Dは静的な3Dシーンを一貫した幾何学を持つシミュレーション可能なインタラクティブなレプリカに変換するフレームワークである。
室内の様々な場面における検出・分離・調音計測における最先端性能について検討した。
論文 参考訳（メタデータ） (2025-10-13T12:37:59Z) - RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。
実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。
RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
論文 参考訳（メタデータ） (2025-05-22T17:01:00Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - 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)
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。