論文の概要: 3D Smoke Scene Reconstruction Guided by Vision Priors from Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2604.05687v1
• Date: Tue, 07 Apr 2026 10:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.769484
• Title: 3D Smoke Scene Reconstruction Guided by Vision Priors from Multimodal Large Language Models
• Title（参考訳）: マルチモーダル大言語モデルを用いた3次元スモークシーン再構成
• Authors: Xinye Zheng, Fei Wang, Yiqi Nie, Kun Li, Junjie Chen, Jiaqi Zhao, Yanyan Wei, Zhiliang Wu,
• Abstract要約: Smokeは、強い散乱効果、ビュー依存の外観変化、およびクロスビュー一貫性の深刻な劣化を導入している。 我々はNano-Banana-Proを用いて、煙の劣化した画像の高精細化と、より鮮明な視覚的観察による再構成を実現している。 Smoke-GSは,煙シーン再構築のための3次元ガウシアン・スプレイティング・フレームワークである。
• 参考スコア（独自算出の注目度）: 20.914336026776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing 3D scenes from smoke-degraded multi-view images is particularly difficult because smoke introduces strong scattering effects, view-dependent appearance changes, and severe degradation of cross-view consistency. To address these issues, we propose a framework that integrates visual priors with efficient 3D scene modeling. We employ Nano-Banana-Pro to enhance smoke-degraded images and provide clearer visual observations for reconstruction and develop Smoke-GS, a medium-aware 3D Gaussian Splatting framework for smoke scene reconstruction and restoration-oriented novel view synthesis. Smoke-GS models the scene using explicit 3D Gaussians and introduces a lightweight view-dependent medium branch to capture direction-dependent appearance variations caused by smoke. Our method preserves the rendering efficiency of 3D Gaussian Splatting while improving robustness to smoke-induced degradation. Results demonstrate the effectiveness of our method for generating consistent and visually clear novel views in challenging smoke environments.
• Abstract（参考訳）: 煙によるマルチビュー画像から3Dシーンを再構成することは特に困難である。 これらの課題に対処するために,視覚的事前情報と効率的な3次元シーンモデリングを統合するフレームワークを提案する。 我々はNano-Banana-Proを用いて、煙の劣化した画像を強化し、スモークシーンの再構築と復元指向の新規ビュー合成のための3DガウススティングフレームワークであるSmoke-GSを開発した。 Smoke-GSは、明快な3Dガウシアンを用いてシーンをモデル化し、煙による方向依存的な外観変化を捉えるために、軽量なビュー依存メディアブランチを導入している。 本手法は, 煙による劣化に対するロバスト性を改善しつつ, 3次元ガウスめっきのレンダリング効率を向上する。 その結果, 挑戦的な煙環境における一貫した, 視覚的に明瞭な新しい視点を創出するための手法の有効性が示された。

関連論文リスト

• RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。 いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
  論文  参考訳（メタデータ） (2025-12-04T14:05:09Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• DehazeGS: Seeing Through Fog with 3D Gaussian Splatting [17.119969983512533]
  DehazeGSは,霧のない背景をメディアから分解・レンダリングできる手法である。 合成と実世界の霧のデータセットの実験は、DehazeGSが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-01-07T09:47:46Z)
• GAF: Gaussian Avatar Reconstruction from Monocular Videos via Multi-view Diffusion [5.49003371165534]
  記録からの光リアルな3D頭部アバター再構成は、観測が限られているため困難である。 複数視点の頭部拡散モデルを導入し,その先行特性を利用して,欠落した領域を埋め,視界の整合性を確保する。 提案手法をNeRSembleデータセット上で評価し,新しいビュー合成における従来の最先端手法よりも優れていたことを示す。
  論文  参考訳（メタデータ） (2024-12-13T15:31:22Z)
• NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
  NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。 我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
  論文  参考訳（メタデータ） (2024-11-25T07:57:17Z)
• 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)
• Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
  最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。 局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。 提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2023-11-30T17:58:57Z)

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。