Fugu-MT 論文翻訳(概要): DENSER: Depth-Guided Ensemble with Staged EFA-GS Reconstruction for Soccer Novel View Synthesis

論文の概要: DENSER: Depth-Guided Ensemble with Staged EFA-GS Reconstruction for Soccer Novel View Synthesis

arxiv url: http://arxiv.org/abs/2606.01419v1
Date: Sun, 31 May 2026 19:40:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:29.694165
Title: DENSER: Depth-Guided Ensemble with Staged EFA-GS Reconstruction for Soccer Novel View Synthesis
Title（参考訳）: DENSER:サッカーの新しい視点合成のための段階的EFA-GS再構成による奥行き誘導アンサンブル
Authors: Parthsarthi Rawat,
Abstract要約: DENSERは、サッカーノベルビューの合成のためのステージドEFA-GSレコンストラクションを備えた深さ誘導型エンサンブルである。 5つの挑戦シーンでは、平均PSNRが29.89dB、SSIMが0.791、LPIPSが0.366である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose DENSER, a Depth-guided ENSemble with Staged EFA-GS Reconstruction for soccer novel view synthesis. DENSER extends EFA-GS with three key contributions: (1) camera-height-based loss weighting that prioritises ground-level broadcast views, (2) monocular depth supervision from Depth-Anything-V2 to regularise geometry in textureless regions, and (3) a three-model pixel-average ensemble whose members diverge from a shared base checkpoint by varying training length and Gaussian scale clamping. On five held-out challenge scenes we achieve a mean PSNR of 29.89 dB, SSIM of 0.791, and LPIPS of 0.366.
Abstract（参考訳）: サッカーノベルビュー合成のためのステージEFA-GSレコンストラクションを用いた奥行き誘導型エンサンブルDENSERを提案する。 DENSER は EFA-GS を拡張し,(1) 地上レベルの放送視聴を優先するカメラハイトによる損失重み付け,(2) 奥行V2 からテクスチャレス領域の幾何学を正規化するための単眼深度監視,(3) メンバーがトレーニング長やガウススケールのクランプによって共有ベースチェックポイントから発散する3モデル画素平均アンサンブル,の3つの主要な貢献を行った。 5つの挑戦シーンでは、平均PSNRが29.89dB、SSIMが0.791、LPIPSが0.366である。

関連論文リスト

Dehaze-then-Splat: Generative Dehazing with Physics-Informed 3D Gaussian Splatting for Smoke-Free Novel View Synthesis [1.8997372468370612]
我々は,NTIRE 2026 3Dレコンストラクションチャレンジのトラック2で開発されたマルチビュー煙除去と新しいビュー合成のための2段階パイプラインであるDehaze-then-Splatを提案する。第1段階では,Nano Banana Pro を用いたフレーム毎生成脱ハージングによる擬似クリーントレーニング画像を作成し,続いて輝度正規化を行った。第2段階では,物理インフォームドされた補助損失を伴って3次元ガウススプラッティングを訓練する。
論文参考訳（メタデータ） (2026-04-15T07:52:53Z)
ELoG-GS: Dual-Branch Gaussian Splatting with Luminance-Guided Enhancement for Extreme Low-light 3D Reconstruction [8.589158608384272]
本稿は, NTIRE 2026 3D Restoration and Restruction Challenge(トラック1)へのアプローチについて述べる。この課題は、極低照度環境で幾何学的に一貫したフォトリアリスティックな3Dシーンを復元することである。安定な低照度3次元再構成パイプラインであるELoG-GS(Extreme Low-light Optimized Gaussian Splatting)を提案する。
論文参考訳（メタデータ） (2026-04-14T11:17:29Z)
Joint Learning of Depth, Pose, and Local Radiance Field for Large Scale Monocular 3D Reconstruction [0.21847754147782883]
大規模シーンにおいて、奥行き、ポーズ、放射能を分離して解決する場合に、モノクルビデオからの光現実的3次元再構成が崩壊する。 3つの要因をすべて結合し、各障害ケースを実証的に克服する、共同学習フレームワークを導入します。その結果, 1台のRGBカメラから, 計量スケール, ドリフトフリー3次元再構成, 高忠実度ノベルビュー合成が実現可能であることがわかった。
論文参考訳（メタデータ） (2025-12-20T06:37:41Z)
PFDepth: Heterogeneous Pinhole-Fisheye Joint Depth Estimation via Distortion-aware Gaussian-Splatted Volumetric Fusion [61.6340987158734]
ヘテロジニアス多視点深度推定のための最初のピンホール・フィッシュアイ・フレームワークPFDepthを提案する。 PFDepthは、ピンホールと魚眼カメラの任意の組み合わせを、様々な内在と外生とで処理できる統一アーキテクチャを採用している。我々は,現在の主流深度ネットワーク上でのKITTI-360およびRealHetデータセットに対して,PFDepthが最先端の性能を示すことを示す。
論文参考訳（メタデータ） (2025-09-30T09:38:59Z)
HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
論文参考訳（メタデータ） (2025-09-29T15:03:31Z)
Learning Fine-Grained Geometry for Sparse-View Splatting via Cascade Depth Loss [15.425094458647933]
粗い部分から細かい部分まで幾何を段階的に洗練する深度監視フレームワークである階層深度誘導平滑化(HDGS)を導入する。マルチスケールの奥行き整合性を実現することにより,スパースビューのシナリオにおける構造的忠実度を大幅に改善する。
論文参考訳（メタデータ） (2025-05-28T12:16:42Z)
PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文参考訳（メタデータ） (2024-10-29T15:28:15Z)
DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。ガウススプラッティングは、強力な深度モデルを学ぶための教師なし事前学習の目的として機能することを示す。我々のDepthSplatは、ScanNet、RealEstate10K、DL3DVデータセットの最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-10-17T17:59:58Z)
Enhanced Stable View Synthesis [86.69338893753886]
本稿では,自由に動くカメラから撮影した画像から,新しいビュー合成を強化するアプローチを提案する。導入されたアプローチは、正確な幾何学的足場とカメラのポーズの復元が困難な屋外シーンに焦点を当てている。
論文参考訳（メタデータ） (2023-03-30T01:53:14Z)
NVS-MonoDepth: Improving Monocular Depth Prediction with Novel View Synthesis [74.4983052902396]
単眼深度推定を改善するために,3つの主要なステップに分割した新しいトレーニング手法を提案する。実験により,KITTIおよびNYU-Depth-v2データセット上での最先端ないし同等の性能が得られた。
論文参考訳（メタデータ） (2021-12-22T12:21:08Z)
Deep Two-View Structure-from-Motion Revisited [83.93809929963969]
2次元構造移動(SfM)は3次元再構成と視覚SLAMの基礎となる。古典パイプラインの適切性を活用することで,深部2視点sfmの問題を再検討することを提案する。本手法は,1)2つのフレーム間の密対応を予測する光フロー推定ネットワーク,2)2次元光フロー対応から相対カメラポーズを計算する正規化ポーズ推定モジュール,3)エピポーラ幾何を利用して探索空間を縮小し,密対応を洗練し,相対深度マップを推定するスケール不変深さ推定ネットワークからなる。
論文参考訳（メタデータ） (2021-04-01T15:31:20Z)

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。