論文の概要: Cross-View Splatter: Feed-Forward View Synthesis with Georeferenced Images
- arxiv url: http://arxiv.org/abs/2605.19656v1
- Date: Tue, 19 May 2026 10:48:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.28516
- Title: Cross-View Splatter: Feed-Forward View Synthesis with Georeferenced Images
- Title（参考訳）: クロスビュー・スプラッター:ジオレファレンス画像を用いたフィードフォワードビュー合成
- Authors: Matias Turkulainen, Akshay Krishnan, Filippo Aleotti, Mohamed Sayed, Guillermo Garcia-Hernando, Juho Kannala, Arno Solin, Gabriel Brostow, Daniyar Turmukhambetov,
- Abstract要約: 地上および衛星で捉えた屋外シーンに対する画素配置ガウススプラッターのフィードフォワード手法であるCross-View Splatterを提案する。
提案手法は,GPSタグ付き地上写真で修正衛星の視界を融合して3次元座標フレーム内のガウススプラットを推定する。
提案手法は,従来の最先端手法と比較可能なジオレファレンス画像を用いた新規ビュー合成のための新しいベンチマークで評価する。
- 参考スコア（独自算出の注目度）: 33.73035750424556
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present Cross-View Splatter, a feed-forward method that predicts pixel-aligned Gaussian splats for outdoor scenes captured at ground level AND by satellite. Faithful reconstructions require good camera coverage, but ground imagery is time-consuming and hard to capture at scale for large outdoor scenes. Fortunately, satellite imagery can provide a global geometric prior that is easy to access via public APIs. Cross-View Splatter fuses orthorectified satellite views with GPS-tagged ground photos to predict Gaussian splats in a unified 3D coordinate frame. By aligning ground and bird's-eye feature representations, our model improves scene coverage and novel-view synthesis, compared to ground imagery alone. We train on curated georeferenced datasets and paired satellite-terrain data, mined from open mapping services. We evaluate our method on a new benchmark for novel-view synthesis with georeferenced imagery allowing comparison to prior state-of-the-art methods. Our code and data preparation will be available at https://nianticspatial.github.io/cross-view-splatter/.
- Abstract（参考訳）: 地上および衛星で捉えた屋外シーンに対する画素配置ガウススプラッターのフィードフォワード手法であるCross-View Splatterを提案する。
忠実な再建にはカメラのカバレッジが優れているが、大規模な屋外シーンでは地上画像の撮影には時間がかかり、大規模な撮影は困難である。
幸いなことに、衛星画像は、公開APIを通じて簡単にアクセス可能なグローバルな幾何学的事前を提供することができる。
クロスビュー・スプラッターは、GPSタグ付き地上写真で修正された衛星ビューを融合させ、3D座標フレーム内のガウススプラッターを予測する。
地上と鳥の目の特徴表現を整列させることにより、地上画像のみと比較してシーンカバレッジとノベルビュー合成が改善される。
オープンマッピングサービスから抽出したジオレファレンスデータセットと衛星・テランのペアデータをトレーニングする。
提案手法は,従来の最先端手法と比較可能なジオレファレンス画像を用いた新規ビュー合成のための新しいベンチマークで評価する。
私たちのコードとデータ準備はhttps://nianticspatial.github.io/cross-view-splatter/で公開されます。
関連論文リスト
- SatDreamer360: Multiview-Consistent Generation of Ground-Level Scenes from Satellite Imagery [18.071734088436077]
衛星画像から幾何的に一貫した地上レベルのパノラマを生成するフレームワークであるSatDreamer360を提案する。
実験により、SatDreamer360は衛星と地上のアライメントとマルチビューの整合性の両方において既存の手法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） (2025-05-31T15:15:54Z) - Geospecific View Generation -- Geometry-Context Aware High-resolution Ground View Inference from Satellite Views [5.146618378243241]
多視点衛星画像から弱い幾何学やテクスチャを最大限に尊重するジオ特殊ビューを生成するための新しいパイプラインを提案する。
本手法は,衛星画像からの包括的情報を用いて,位置の地上画像を直接予測する。
我々のパイプラインは、衛星画像のみに基づいて、実物に近い地上ビューを初めて生成したものであることを実証する。
論文 参考訳（メタデータ） (2024-07-10T21:51:50Z) - Sat2Scene: 3D Urban Scene Generation from Satellite Images with Diffusion [77.34078223594686]
本稿では,3次元スパース表現に拡散モデルを導入し,それらをニューラルレンダリング技術と組み合わせることで,直接3次元シーン生成のための新しいアーキテクチャを提案する。
具体的には、まず3次元拡散モデルを用いて、所定の幾何学の点レベルのテクスチャ色を生成し、次にフィードフォワード方式でシーン表現に変換する。
2つの都市規模データセットを用いた実験により,衛星画像から写真リアルなストリートビュー画像シーケンスとクロスビュー都市シーンを生成する能力を示した。
論文 参考訳（メタデータ） (2024-01-19T16:15:37Z) - Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。
本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
論文 参考訳（メタデータ） (2022-07-27T13:16:39Z) - Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image
Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。
我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文 参考訳（メタデータ） (2022-03-26T20:10:38Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Free View Synthesis [100.86844680362196]
本稿では,シーンの周囲に自由に分布する入力画像から新規なビュー合成手法を提案する。
本手法は,入力ビューの規則的な配置に依存しず,シーンを通して自由なカメラ運動のための画像の合成が可能であり,制約のない幾何学的レイアウトの一般的な場面で機能する。
論文 参考訳（メタデータ） (2020-08-12T18:16:08Z)
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。