論文の概要: Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals

• arxiv url: http://arxiv.org/abs/2605.29098v1
• Date: Wed, 27 May 2026 20:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.458797
• Title: Seeing through boxes: Non-Line-of-Sight 3D Reconstruction from Radar Signals
• Title（参考訳）: 箱を通して見る:レーダー信号からの非視線3次元再構成
• Authors: Jiachen Lu, Hailan Shanbhag, Haitham Al Hassanieh,
• Abstract要約: RF信号からの物体形状の再構成は、RF信号のレンズレス撮像特性のため、基本的に困難である。 本稿では,統一LoSとNLoSニューラルジオメトリー再構築フレームワークGeRaF 2.0を紹介する。 視覚的なLoSプリエントをニューラルネットワークの定式化に組み込むことで、GeRaF 2.0は安定したトレーニングと、目に見える幾何学と隠れた幾何学の両方の物理的に一貫した再構築を実現している。
• 参考スコア（独自算出の注目度）: 7.144634906657132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing object geometry from radio frequency (RF) signals is fundamentally challenging due to the lensless imaging nature of RF sensing, which leads to low spatial resolution and high noise. Unlike light signals, RF signals can penetrate occlusions and thus capture information about hidden scenes. Existing Non-Line-of-Sight (NLoS) 3D neural reconstruction methods can recover coarse surfaces inside enclosed environments but often suffer from unstable optimization, noisy surface geometry, and surface ambiguity, failing to produce accurate zero-level sets from the signed distance field (SDF). These limitations largely stem from neglecting the role of Line-of-Sight (LoS) geometry outside the enclosed region, which provides valuable physical constraints for modeling signal propagation. In this paper, we introduce a Unified LoS and NLoS neural geometry reconstruction framework GeRaF 2.0 that leverages the outside LoS geometry to model and guide RF propagation from the LoS region into the NLoS region. By integrating visual LoS priors into the neural field formulation, GeRaF 2.0 achieves stable training and physically consistent reconstruction of both visible and hidden geometry, setting a new state-of-the-art in RF-based geometry reconstruction.
• Abstract（参考訳）: 無線周波数(RF)信号からの物体形状の再構成は、RFセンシングのレンズレス撮像特性により、空間分解能が低く、ノイズが高いため、基本的に困難である。 光信号とは異なり、RF信号は閉塞を貫通し、隠されたシーンに関する情報をキャプチャする。 既存のNon-Line-of-Sight (NLoS) 3Dニューラル再構成法は、閉じた環境内の粗い表面を復元するが、しばしば不安定な最適化、ノイズの多い表面形状、表面の曖昧さに悩まされ、符号付き距離場(SDF)から正確なゼロレベルセットを生成できない。 これらの制限は主に、信号伝搬のモデリングに有用な物理的制約を提供する囲い領域の外におけるLine-of-Sight(LoS)幾何の役割を無視することに由来する。 本稿では、外部のLoS幾何を利用して、LoS領域からNLoS領域へのRF伝搬をモデル化し、誘導する統一LoSおよびNLoSニューラルネットワーク幾何再構成フレームワークGeRaF 2.0を提案する。 視覚的LoS前駆体を神経磁場の定式化に組み込むことで、GeRaF 2.0は、目に見える幾何と隠れた幾何の両方を安定したトレーニングと物理的に一貫した再構築を実現し、RFベースの幾何再構成における新しい最先端の設定を行う。

関連論文リスト

• GeRaF: Neural Geometry Reconstruction from Radio Frequency Signals [7.144634906657132]
  GeRaFは、無線周波数(RF)信号からの近距離3次元幾何再構成にニューラルネットワークを用いた最初の方法である。 RGBやLiDARベースの方法とは異なり、RFセンシングはオクルージョンを通して見ることができるが、レンズのない撮像特性のために低解像度とノイズに悩まされる。
  論文  参考訳（メタデータ） (2026-05-27T20:58:36Z)
• CLEAR-NeRF: Collinearity and Local-region Enhanced Accurate 3D Reconstruction in Unbounded Scenes [1.150550961323334]
  本研究では,NeRFをベースとした3次元再構成を複数領域の非有界シーンに適用し,デジタルツイン用途に適した測定精度を付与しながら,照明の堅牢性やポーズの変動を改善する。 その結果,提案したパイプラインはベースラインのNeRFモデルよりも優れた性能を示し,Structure from Motion (SfM) - Multi-View Stereo (MVS) ソリューションが確立された。
  論文  参考訳（メタデータ） (2026-05-27T08:16:48Z)
• PolGS++: Physically-Guided Polarimetric Gaussian Splatting for Fast Reflective Surface Reconstruction [76.9760302941819]
  PolGS++は高速反射面再構成のための偏光ガウス散乱フレームワークである。 本稿では,アングル・オブ・ポラライゼーション(AoP)に基づくタンジェント空間の整合性制約を実現するための,奥行き誘導型可視マスク取得機構を提案する。
  論文  参考訳（メタデータ） (2026-03-11T14:11:42Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• RaNeuS: Ray-adaptive Neural Surface Reconstruction [87.20343320266215]
  微分可能放射場 eg NeRF を利用して、新しいビューレンダリングを生成するとともに、詳細な3次元表面を再構成する。 本研究では,SDFから放射場への射影を一様等間隔のアイコニカル正規化で定式化し,最適化することを考えると,光度重み付け係数を改良する。 提案する textitRaNeuS は,合成データと実データの両方で広く評価されている。
  論文  参考訳（メタデータ） (2024-06-14T07:54:25Z)
• Clean-NeRF: Reformulating NeRF to account for View-Dependent Observations [67.54358911994967]
  本稿では,複雑なシーンにおける3次元再構成と新しいビューレンダリングのためのクリーンネRFを提案する。 clean-NeRFはプラグインとして実装することができ、既存のNeRFベースのメソッドを追加入力なしですぐに利用することができる。
  論文  参考訳（メタデータ） (2023-03-26T12:24:31Z)
• DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields [56.30120727729177]
  DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。 提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
  論文  参考訳（メタデータ） (2023-03-20T18:03:32Z)
• OmniNeRF: Hybriding Omnidirectional Distance and Radiance fields for Neural Surface Reconstruction [22.994952933576684]
  神経放射場(NeRF)における地中破壊研究は、3Dオブジェクトの表現品質を劇的に改善した。 後年の研究では、TSDF(truncated signed distance field)を構築することでNeRFを改善したが、3D再構成における表面のぼやけた問題に悩まされている。 本研究では,3次元形状表現の新たな手法であるOmniNeRFを提案することにより,この表面の曖昧さに対処する。
  論文  参考訳（メタデータ） (2022-09-27T14:39:23Z)

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。