論文の概要: Paparazzo: Active Mapping of Moving 3D Objects

• arxiv url: http://arxiv.org/abs/2604.19556v1
• Date: Tue, 21 Apr 2026 15:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.83455
• Title: Paparazzo: Active Mapping of Moving 3D Objects
• Title（参考訳）: Paparazzo: 動く3Dオブジェクトのアクティブマッピング
• Authors: Davide Allegro, Shiyao Li, Stefano Ghidoni, Vincent Lepetit,
• Abstract要約: 本稿では,移動物体のアクティブマッピングという新たな課題を紹介し,物体の動きを補償しながら,マッピングエージェントがその軌道を計画しなければならない。 当社のアプローチであるPaparazzoは、ターゲットの軌道を頑健に予測する学習不要のソリューションを提供する。 また,Paparazzoは,いくつかの強いベースラインに比べて3次元再構成の完全性と精度を著しく向上させることを示した。
• 参考スコア（独自算出の注目度）: 28.981447579805206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current 3D mapping pipelines generally assume static environments, which limits their ability to accurately capture and reconstruct moving objects. To address this limitation, we introduce the novel task of active mapping of moving objects, in which a mapping agent must plan its trajectory while compensating for the object's motion. Our approach, Paparazzo, provides a learning-free solution that robustly predicts the target's trajectory and identifies the most informative viewpoints from which to observe it, to plan its own path. We also contribute a comprehensive benchmark designed for this new task. Through extensive experiments, we show that Paparazzo significantly improves 3D reconstruction completeness and accuracy compared to several strong baselines, marking an important step toward dynamic scene understanding. Project page: https://davidea97.github.io/paparazzo-page/
• Abstract（参考訳）: 現在の3Dマッピングパイプラインは一般的に静的環境を前提としており、動くオブジェクトを正確にキャプチャして再構築する能力を制限する。 この制限に対処するために、移動物体のアクティブマッピングという新しいタスクを導入し、物体の動きを補償しながら、マッピングエージェントがその軌道を計画しなければならない。 当社のアプローチであるPaparazzoは、目標の軌道を頑健に予測し、それを観察する上で最も有意義な視点を特定し、独自の経路を計画する学習自由ソリューションを提供する。 この新しいタスク用に設計された包括的なベンチマークも提供します。 広範にわたる実験により,パパラッツォはいくつかの強いベースラインと比較して3次元再構成の完全性と精度を著しく向上し,ダイナミックなシーン理解に向けた重要な一歩であることを示す。 プロジェクトページ:https://davidea97.github.io/paparazzo-page/

関連論文リスト

• ObjectReact: Learning Object-Relative Control for Visual Navigation [10.645109937081681]
  本稿では,いくつかの望ましい特徴を示す「対象相対性」制御の学習パラダイムを提案する。 本稿では「相対的」な3次元シーングラフの形でのトポロジカルマップ表現を提案する。 センサ高さの異なる画像に対して,物体相対制御を学習することの利点を実証する。
  論文  参考訳（メタデータ） (2025-09-11T16:34:17Z)
• LeviTor: 3D Trajectory Oriented Image-to-Video Synthesis [80.2461057573121]
  本研究では,新しい次元,すなわち深度次元との相互作用を増大させ,ユーザが軌道上の各点に対して相対的な深度を割り当てることを許す。 本稿では,オブジェクトマスクを数個のクラスタポイントに抽象化することで,画像から映像への3次元トラジェクトリ制御の先駆的手法を提案する。 静的画像から実写映像を生成する際の物体の動きを正確に操作する手法であるLeviTorの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-12-19T18:59:56Z)
• Street Gaussians without 3D Object Tracker [84.89933388445185]
  既存のほとんどの方法は、オブジェクトポーズの労働集約的な手動ラベリングに依存している。 本研究では,3次元オブジェクト融合戦略における2次元ディープトラッカーの関連性を利用して,安定なオブジェクト追跡モジュールを提案する。 我々は、軌道誤差を自律的に補正し、見逃した検出を回復する暗黙の特徴空間に、モーションラーニング戦略を導入することで、避けられないトラッキングエラーに対処する。
  論文  参考訳（メタデータ） (2024-12-07T05:49:42Z)
• Context-Aware 3D Object Localization from Single Calibrated Images: A Study of Basketballs [1.809206198141384]
  単一校正画像から3次元バスケットボールのローカライズ手法を提案する。 提案手法は,画像内の平面上に投影された物体の高さを推定することにより,画像空間内の物体の高さを推定する。 ボールの3次元座標は、既知の投影行列を利用して再構成される。
  論文  参考訳（メタデータ） (2023-09-07T11:14:02Z)
• Object Goal Navigation with Recursive Implicit Maps [92.6347010295396]
  対象目標ナビゲーションのための暗黙的な空間マップを提案する。 提案手法は, 挑戦的なMP3Dデータセット上での技量を著しく上回る。 我々は、実際のロボットにモデルをデプロイし、実際のシーンでオブジェクトゴールナビゲーションの結果を奨励する。
  論文  参考訳（メタデータ） (2023-08-10T14:21:33Z)
• Object Manipulation via Visual Target Localization [64.05939029132394]
  オブジェクトを操作するための訓練エージェントは、多くの課題を提起します。 本研究では,対象物体を探索する環境を探索し,位置が特定されると3次元座標を計算し,対象物が見えない場合でも3次元位置を推定する手法を提案する。 評価の結果,同じ感覚スイートにアクセス可能なモデルに比べて,成功率が3倍に向上したことが示された。
  論文  参考訳（メタデータ） (2022-03-15T17:59:01Z)
• ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints [94.60414567852536]
  長距離航法には、計画と局所的な移動可能性の推論の両方が必要である。 学習と計画を統合する学習に基づくアプローチを提案する。 ViKiNGは、画像ベースの学習コントローラを利用できる。
  論文  参考訳（メタデータ） (2022-02-23T02:14:23Z)
• Integration of the 3D Environment for UAV Onboard Visual Object Tracking [7.652259812856325]
  無人航空機からの単一の視覚的物体追跡は、根本的な課題となる。 本研究では,モデルフリーのビジュアルオブジェクトトラッカー,スパース3D再構成,状態推定器を組み合わせたパイプラインを提案する。 画像空間ではなく3次元空間における目標位置を表現することにより,エゴモーション時のトラッキングを安定化させる。
  論文  参考訳（メタデータ） (2020-08-06T18:37:29Z)
• Predicting Semantic Map Representations from Images using Pyramid Occupancy Networks [27.86228863466213]
  単一エンドツーエンドのディープラーニングアーキテクチャを用いて,単分子画像から直接マップを推定する,シンプルで統一的なアプローチを提案する。 提案手法の有効性を,NuScenesとArgoverseデータセット上のいくつかの挑戦的ベースラインに対して評価することで実証する。
  論文  参考訳（メタデータ） (2020-03-30T12:39:44Z)

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。