論文の概要: City-Mesh3R: Simulation-Ready City-Scale 3D Mesh Reconstruction from Multi-View Images

• arxiv url: http://arxiv.org/abs/2605.30310v1
• Date: Thu, 28 May 2026 17:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.648898
• Title: City-Mesh3R: Simulation-Ready City-Scale 3D Mesh Reconstruction from Multi-View Images
• Title（参考訳）: City-Mesh3R:マルチビュー画像によるシミュレーション可能な都市規模の3Dメッシュ再構築
• Authors: Sayan Paul, Sourav Ghosh, Siddharth Katageri, Soumyadip Maity, Sanjana Sinha, Brojeshwar Bhowmick,
• Abstract要約: City-Mesh3Rは、大規模な未順序画像コレクションから直接水密面メッシュを再構築するためのスケーラブルなフレームワークである。 提案するエンド・ツー・エンド・フレームワークは,都市規模の復興データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 10.051585377704464
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: City-scale 3D surface reconstruction from multiview images for downstream 3D simulation, poses highly challenging problems due to the scale and complexity of urban scenes. Existing city-scale 3D reconstruction methods based on NeRF, Gaussian Splatting etc. often fail to recover 3D meshes ready for simulation due to incomplete/missing geometry and irregular, noisy surfaces. Scaling existing small-scale 3D reconstruction methods to arbitrarily large urban scenes is highly infeasible due to their computational complexity. We present City-Mesh3R, a scalable framework for reconstructing watertight surface meshes directly from large unordered image collections. Unlike recent methods which use global sparse SfM point-cloud initialization followed by a distributed 3D dense reconstruction of large-scale scenes, our method follows an end-to-end images-to-mesh 3D reconstruction approach using a divide-and-conquer strategy. The sparse city map is reconstructed via topological image clustering, cluster-wise independent sparse SfM and map merging, without need for exhaustive image feature matching. Then this map is partitioned spatially to perform geometry-aware camera selection, followed by dense surface reconstruction and surface refinement using curvature-aware adaptive vertex density remeshing. These partition meshes are then stitched together to produce the global mesh of the city. The proposed end-to-end framework is evaluated on city-scale reconstruction datasets. As demonstrated by our qualitative and quantitative results, our proposed method yields high-fidelity watertight 3D meshes with regular geometry, capturing fine surface details, and is suitable for scaling to arbitrarily large scenes owing to the end-to-end processing in a distributed setting.
• Abstract（参考訳）: 下流3次元シミュレーションのためのマルチビュー画像からの都市規模の3次元表面再構成は、都市景観の規模と複雑さのために非常に困難な問題を引き起こす。 既設のNeRF, ガウススメッティング等に基づく都市規模の3次元再構成手法では, 不完全・欠測形状や不規則・ノイズ面によるシミュレーションが可能な3次元メッシュの復元に失敗することが多い。 既存の小規模3次元再構成手法を任意に大規模な都市景観に拡張することは、計算の複雑さのため、非常に実現不可能である。 本稿では,大規模画像コレクションから直接水密面メッシュを再構築するスケーラブルなフレームワークであるCity-Mesh3Rを提案する。 グローバルスパースSfM点雲初期化と大規模シーンの分散3次元高密度再構成を併用する最近の手法とは異なり,本手法は分割・分散戦略を用いたエンドツーエンドの3次元再構成手法に従っている。 スパースシティマップは、全体像特徴マッチングを必要とせず、トポロジカルイメージクラスタリング、クラスタワイド独立スパースSfM、マップマージによって再構成される。 そして、この地図を空間的に分割して幾何学的認識カメラの選択を行い、その後、曲率認識適応頂点密度リメッシングを用いた高密度表面再構成と表面改質を行う。 これらの分割メッシュは、都市のグローバルメッシュを生成するために縫合される。 提案するエンド・ツー・エンド・フレームワークは,都市規模の復興データセットを用いて評価する。 定性的かつ定量的な結果から,本手法は高忠実度な3次元メッシュを正規形状で生成し,微細な表面を捉えるとともに,分散環境でのエンド・ツー・エンド処理による任意の大きさのシーンへのスケーリングに適した方法である。

関連論文リスト

• Stereo-GS: Multi-View Stereo Vision Model for Generalizable 3D Gaussian Splatting Reconstruction [30.518107360632488]
  一般化可能な3Dガウス・スプレイティング・リコンストラクションは、高度な画像から3Dコンテンツの作成を展示する。 methodは現実世界の3Dコンテンツ生成に効率的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-20T11:33:13Z)
• DiMeR: Disentangled Mesh Reconstruction Model [29.827345186012558]
  DiMeRは、疎視メッシュ再構成のための3次元監視を備えた、幾何学的・テクスチュアなアンタングルフィードフォワードモデルである。 性能/コストの低いモジュールを排除し,正規化損失を再設計し,メッシュ抽出のアルゴリズムを効率化する。 大規模な実験により、DiMeRはスパースビュー、シングルイメージ、テキストから3Dタスクにまたがって一般化し、ベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-04-24T15:39:20Z)
• HORT: Monocular Hand-held Objects Reconstruction with Transformers [61.36376511119355]
  モノクロ画像から手持ちの物体を3Dで再構成することは、コンピュータビジョンにおいて重要な課題である。 ハンドヘルドオブジェクトの高密度な3次元点群を効率的に再構成するトランスフォーマーモデルを提案する。 提案手法は,高速な推測速度で最先端の精度を達成し,画像の幅を最適化する。
  論文  参考訳（メタデータ） (2025-03-27T09:45:09Z)
• CoSurfGS:Collaborative 3D Surface Gaussian Splatting with Distributed Learning for Large Scene Reconstruction [68.81212850946318]
  大規模表面再構成のための分散学習に基づく多エージェント協調高速3DGS表面再構成フレームワークを提案する。 具体的には,局所モデル圧縮(LMC)とモデルアグリゲーションスキーム(MAS)を開発し,大規模シーンの高品質な表面表現を実現する。 提案手法は高速でスケーラブルな高忠実表面再構成とフォトリアリスティックレンダリングを実現する。
  論文  参考訳（メタデータ） (2024-12-23T14:31:15Z)
• FlexiDreamer: Single Image-to-3D Generation with FlexiCubes [20.871847154995688]
  FlexiDreamerは、マルチビュー生成イメージから高品質なメッシュを直接再構築する新しいフレームワークである。 提案手法では,1つの画像から3次元の下流タスクにおいて,約1分で高忠実度3Dメッシュを生成することができる。
  論文  参考訳（メタデータ） (2024-04-01T08:20:18Z)
• Zero-Shot Multi-Object Scene Completion [59.325611678171974]
  1枚のRGB-D画像から複雑なシーンにおける複数の見えない物体の完全な形状を復元する3Dシーン補完法を提案する。 提案手法は, 合成および実世界の両方のデータセットにおいて, 現在の最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-03-21T17:59:59Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
  本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。 平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。 提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
  論文  参考訳（メタデータ） (2022-05-05T17:59:55Z)

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。