論文の概要: SmokeGS-R: Physics-Guided Pseudo-Clean 3DGS for Real-World Multi-View Smoke Restoration
- arxiv url: http://arxiv.org/abs/2604.05301v1
- Date: Tue, 07 Apr 2026 01:15:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.555919
- Title: SmokeGS-R: Physics-Guided Pseudo-Clean 3DGS for Real-World Multi-View Smoke Restoration
- Title（参考訳）: SmokeGS-R:物理誘導Pseudo-Clean 3DGSによる実世界のマルチビュースモーク復元
- Abstract要約: 現実世界の煙はシーンの放射率を同時に減らし、エアライトを追加し、マルチビューの外観の整合性を不安定にする。
我々は NTIRE 2026 3D Restoration and Reconstruction Track 2 チャレンジのために開発された実用的なパイプラインである textbfSmokeGS-R を提示する。
- 参考スコア（独自算出の注目度）: 2.0130120622614114
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-world smoke simultaneously attenuates scene radiance, adds airlight, and destabilizes multi-view appearance consistency, making robust 3D reconstruction particularly difficult. We present \textbf{SmokeGS-R}, a practical pipeline developed for the NTIRE 2026 3D Restoration and Reconstruction Track 2 challenge. The key idea is to decouple geometry recovery from appearance correction: we generate physics-guided pseudo-clean supervision with a refined dark channel prior and guided filtering, train a sharp clean-only 3D Gaussian Splatting source model, and then harmonize its renderings with a donor ensemble using geometric-mean reference aggregation, LAB-space Reinhard transfer, and light Gaussian smoothing. On the official challenge testing leaderboard, the final submission achieved \mbox{PSNR $=15.217$} and \mbox{SSIM $=0.666$}. After the public release of RealX3D, we re-evaluated the same frozen result on the seven released challenge scenes without retraining and obtained \mbox{PSNR $=15.209$}, \mbox{SSIM $=0.644$}, and \mbox{LPIPS $=0.551$}, outperforming the strongest official baseline average on the same scenes by $+3.68$ dB PSNR. These results suggest that a geometry-first reconstruction strategy combined with stable post-render appearance harmonization is an effective recipe for real-world multi-view smoke restoration. The code is available at https://github.com/windrise/3drr_Track2_SmokeGS-R.
- Abstract（参考訳）: 現実の煙はシーンの輝度を同時に減らし、エアライトを追加し、マルチビューの外観の整合性を不安定化し、堅牢な3D再構成を特に困難にする。
我々は NTIRE 2026 3D Restoration and Reconstruction Track 2 チャレンジのために開発された実用的なパイプラインである \textbf{SmokeGS-R} を提示する。
物理誘導型擬似クリーン監視を前もって改良したダークチャネルで生成し,シャープなクリーンオンリーな3Dガウス平滑音源モデルを訓練し,幾何学平均参照アグリゲーション,LAB空間ラインハルト移動,光ガウス平滑化を用いてドナーアンサンブルでレンダリングを調和させる。
公式のチャレンジテストリーダーボードでは、最終提出書は \mbox{PSNR $=15.217$} と \mbox{SSIM $=0.666$} を達成している。
RealX3Dの公開リリース後、リトレーニングなしでリリースした7つのチャレンジシーンで同じ凍結結果を再評価し、同じシーンで最強の公式ベースライン平均を+3.68$dB PSNRで上回り、 \mbox{PSNR $=15.209$}, \mbox{SSIM $=0.644$}, \mbox{LPIPS $=0.551$}を得た。
以上の結果から, 実世界のマルチビュー煙の復元には, 形状優先の復元戦略と安定した外観調和が有効であることが示唆された。
コードはhttps://github.com/windrise/3drr_Track2_SmokeGS-Rで公開されている。
関連論文リスト
- $K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs [0.0]
入射シーン表現(ISR)は、スパースプロジェクションから直接連続的な体積減衰場を復元することでこの問題に対処する。
本稿では, 自動多材料表面再構成のための統一かつスケーラブルなアーキテクチャであるK$-NeASを提案する。
論文 参考訳（メタデータ） (2026-07-15T23:08:45Z) - Dehaze-then-Splat: Generative Dehazing with Physics-Informed 3D Gaussian Splatting for Smoke-Free Novel View Synthesis [1.8997372468370612]
我々は,NTIRE 2026 3Dレコンストラクションチャレンジのトラック2で開発されたマルチビュー煙除去と新しいビュー合成のための2段階パイプラインであるDehaze-then-Splatを提案する。
第1段階では,Nano Banana Pro を用いたフレーム毎生成脱ハージングによる擬似クリーントレーニング画像を作成し,続いて輝度正規化を行った。
第2段階では,物理インフォームドされた補助損失を伴って3次元ガウススプラッティングを訓練する。
論文 参考訳（メタデータ） (2026-04-15T07:52:53Z) - ELoG-GS: Dual-Branch Gaussian Splatting with Luminance-Guided Enhancement for Extreme Low-light 3D Reconstruction [8.589158608384272]
本稿は, NTIRE 2026 3D Restoration and Restruction Challenge(トラック1)へのアプローチについて述べる。
この課題は、極低照度環境で幾何学的に一貫したフォトリアリスティックな3Dシーンを復元することである。
安定な低照度3次元再構成パイプラインであるELoG-GS(Extreme Low-light Optimized Gaussian Splatting)を提案する。
論文 参考訳（メタデータ） (2026-04-14T11:17:29Z) - GenSmoke-GS: A Multi-Stage Method for Novel View Synthesis from Smoke-Degraded Images Using a Generative Model [19.832333333869578]
本稿では,NTIRE 2026の3D復元・復元(3DRR)チャレンジにおける煙の劣化画像のトラック2について述べる。
Smokeは画像の可視性を低下させ、シーン最適化とレンダリングに必要なクロスビュー一貫性を弱める。
本稿では,画像復元,脱毛,MLLMによる拡張,3DGS-MCMC最適化,繰り返し実行に対する平均化といった多段階パイプラインを用いてこの問題に対処する。
論文 参考訳（メタデータ） (2026-04-03T13:47:57Z) - From Restoration to Reconstruction: Rethinking 3D Gaussian Splatting for Underwater Scenes [13.730810237133822]
水中画像復元(UIR)を3次元ガウススプラッティング(DGS)でブリッジする統合フレームワークである textbfR-Splatting を提案する。
提案手法は,多様なUIRモデルによって生成された複数の拡張ビューを1つの再構築パイプラインに統合する。
Seathru-NeRFと新しいBlueCoral3Dデータセットの実験により、R-Splattingはレンダリング品質と幾何学的精度の両方において、強いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-09-22T13:50:20Z) - WildSmoke: Ready-to-Use Dynamic 3D Smoke Assets from a Single Video in the Wild [15.941164647083696]
そこで本研究では,Wild-In-the-Wildビデオからダイナミックな3Dスモークアセットを抽出し,再構成するパイプラインを提案する。
本手法は, 高品位煙の再現により, 過去の復元・生成方法より優れていた。
論文 参考訳（メタデータ） (2025-09-14T06:06:42Z) - Difix3D+: Improving 3D Reconstructions with Single-Step Diffusion Models [65.90387371072413]
本稿では,3次元再構成と新規ビュー合成を向上する新しいパイプラインであるDifix3D+を紹介する。
このアプローチのコアとなるのは、レンダリングされた新規ビューにおけるアーティファクトの強化と削除のためにトレーニングされた、単一ステップのイメージ拡散モデルであるDifixです。
論文 参考訳（メタデータ） (2025-03-03T17:58:33Z) - GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。
モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。
最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
論文 参考訳（メタデータ） (2024-07-05T03:43:08Z) - DreamScene360: Unconstrained Text-to-3D Scene Generation with Panoramic Gaussian Splatting [56.101576795566324]
テキストから3D 360$circ$のシーン生成パイプラインを提示する。
提案手法は, 2次元拡散モデルの生成力を利用して, 自己複製を促進する。
当社の手法は,360ドル(約3万2000円)の視野内で,グローバルに一貫した3Dシーンを提供する。
論文 参考訳（メタデータ） (2024-04-10T10:46:59Z) - Gamba: Marry Gaussian Splatting with Mamba for single view 3D reconstruction [153.52406455209538]
Gambaは、単一のビューイメージからエンドツーエンドの3D再構成モデルである。
1つのNVIDIA A100 GPUで0.05秒以内に再構築が完了する。
論文 参考訳（メタデータ） (2024-03-27T17:40:14Z) - Hybrid Explicit Representation for Ultra-Realistic Head Avatars [55.829497543262214]
我々は,超現実的な頭部アバターを作成し,それをリアルタイムにレンダリングする新しい手法を提案する。
UVマップされた3Dメッシュは滑らかな表面のシャープでリッチなテクスチャを捉えるのに使われ、3Dガウス格子は複雑な幾何学構造を表現するために用いられる。
モデル化された結果が最先端のアプローチを上回る実験を行ないました。
論文 参考訳（メタデータ） (2024-03-18T04:01:26Z) - EvaSurf: Efficient View-Aware Implicit Textured Surface Reconstruction [53.28220984270622]
3次元再構成法はリアルタイムに3次元整合性のある高忠実度結果を生成する。
提案手法は,合成と実世界の両方のデータセット上で,高品質な外観と正確なメッシュを再構築することができる。
我々の方法は1つのGPUを使ってたった1～2時間でトレーニングでき、40FPS(Frames per second)以上のモバイルデバイス上で実行することができる。
論文 参考訳（メタデータ） (2023-11-16T11:30:56Z)
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。