論文の概要: The Turning Point of 3D Plant Phenotyping: 3D Foundation Models Enable Minute-to-Second Cross-Crop Reconstruction and Beyond
- arxiv url: http://arxiv.org/abs/2607.01753v1
- Date: Thu, 02 Jul 2026 06:10:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.693517
- Title: The Turning Point of 3D Plant Phenotyping: 3D Foundation Models Enable Minute-to-Second Cross-Crop Reconstruction and Beyond
- Title（参考訳）: 3Dプリンティングの転換点:1秒から2秒のクロスクロップ再構築を可能にする3Dファンデーションモデル
- Authors: Hanyue Jia, Wei Zhou, Wenbo Zhou, Yanan Li, Hao Lu, Tingting Wu,
- Abstract要約: 3DFMを用いた最初のクロスクロップ3D表現型フレームワークの1つを提示する。
3Dファウンデーションモデルは、平均復元時間を6.52分から1.58秒に短縮する。
- 参考スコア（独自算出の注目度）: 24.45425568959962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D plant phenotyping is notoriously known to be procedure-complicated and of low throughput due to the extensive multi-view imaging, the fragile 3D reconstruction pipeline, and the additional cost from reconstructed geometry to phenotypic extraction. These limitations are further amplified in low-cost data acquisition, where smartphone videos or sparsely sampled multi-view images provide limited view overlap and self-occlusion. In this work, we show that the conventional 3D plant phenotyping pipeline could be streamlined and significantly accelerated with 3D Foundation Models (3DFMs), and particularly, present one of the first cross-crop 3D phenotyping frameworks powered by 3DFMs. The framework replaces COLMAP-style sparse initialization with 3DFM-based feed-forward geometric recovery, combines geometry-constrained 3D Gaussian Splatting for dense reconstruction, enables few-view reconstruction through iterative view synthesis and refinement, and converts reconstructed geometry into measurable organs through 2D-to-3D semantic transfer, metric scale recovery, and organ instance separation. We further construct a cross-crop dataset with smartphone-based image acquisition, diverse plant morphologies, and manual annotations for segmentation and phenotypic evaluation. Experiments across 26 plant sequences show that 3D Foundation Models reduce the average reconstruction time from 6.52 minutes to 1.58 seconds while maintaining high reconstruction quality and phenotyping accuracy. These results suggest a fresh technical route for high-throughput 3D plant phenotyping, from low-cost image acquisition to fast reconstruction, perception, scale recovery, and phenotypic measurement.
- Abstract（参考訳）: 3D 植物の表現型付けは,多視点画像,脆弱な 3D 再構成パイプライン,再構成された幾何学から表現型抽出への追加コストなどにより,プロシージャが複雑で低スループットであることが知られている。
これらの制限は、安価なデータ取得においてさらに増幅され、スマートフォンのビデオや、サンプルの少ないマルチビュー画像は、ビューオーバーラップと自己排他性に制限を与える。
本研究では,従来の3D植物表現型パイプラインを3Dファンデーションモデル(3DFM)により合理化し,大幅に高速化することを示し,特に3DFMを用いた最初のクロスクロップ3D表現型フレームワークの1つである。
このフレームワークは、COLMAPスタイルのスパース初期化を3DFMベースのフィードフォワード幾何回復に置き換え、幾何制約された3Dガウススプラッティングと密な再構成を組み合わせ、反復的なビュー合成と精巧化による少数ビュー再構成を可能にし、2D-to-3Dセマンティックトランスファー、メートル法スケール回復、臓器のインスタンス分離を通じて再構成された幾何学を計測可能な臓器に変換する。
さらに,スマートフォンによる画像取得,植物形態の多様性,セグメンテーションと表現型評価のための手動アノテーションを備えたクロスクロップデータセットを構築した。
26の植物配列にわたる実験により、3Dファンデーションモデルでは、再現時間の平均は6.52分から1.58秒に短縮され、高い再現品質と表現精度が維持されている。
これらの結果から, 低コスト画像取得から高速再構成, 知覚, スケール回復, 表現型測定に至るまで, 高出力3D植物表現の新たな技術経路が示唆された。
関連論文リスト
- Pano3D: Unified 3D Reconstruction and Panoptic Segmentation [68.18993232814061]
統合されたフレームワークで3次元再構成と3次元パノプティクスのセグメンテーションを行う手法を提案する。
既存の3次元再構成モデルを構築し,それをマスクデコーダで拡張する。
提案手法は,ScanNet,ScanNet200,ScanNet++データセット間の3次元パノプティクスセグメンテーションにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-06-12T09:43:13Z) - Geometry-Aware Representation Denoising for Robust Multi-view 3D Reconstruction [36.377286063905395]
フィードフォワード3次元再構成モデルの特徴空間に直接拡散に基づく多視点復元を行う新しいフレームワークであるGeometry-Aware Representation Denoising (GARD)を提案する。
この設計は、3次元再構成器の幾何学的特徴表現を利用して、正確なシーン形状を効果的に復元する。
追加のRGBイメージデコーダを使用することで、高品質なRGBイメージの復元にも使用できる。
論文 参考訳（メタデータ） (2026-05-25T18:01:05Z) - PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems [55.84012796735184]
近年,3次元再構築システムの入力ビューについて検討している。
本稿では,対向的摂動を最適化し,対面不整合を意図的に導入するPoInit-of-Viewを提案する。
実験により,多種多様な3次元再構成システムとデータセットに対するPoInit-of-Viewの有効性が示された。
論文 参考訳（メタデータ） (2026-04-17T00:48:12Z) - Reliev3R: Relieving Feed-forward Reconstruction from Multi-View Geometric Annotations [98.66466590444553]
コスト制約のない多視点幾何アノテーションを使わずにFFRMをスクラッチからトレーニングするための弱教師付きパラダイムであるReliev3Rを提案する。
Reliev3Rのコアでは、多視点幾何整合性の監視を容易にするために、曖昧さを意識した相対深度損失と三角法に基づく再射損失を設計する。
論文 参考訳（メタデータ） (2026-04-01T06:46:54Z) - Leveling3D: Leveling Up 3D Reconstruction with Feed-Forward 3D Gaussian Splatting and Geometry-Aware Generation [15.735997729565987]
本稿では, フィードフォワード3次元再構成と幾何一貫性生成を統合した新しいパイプラインであるLeveling3Dを紹介する。
我々は,新規ビュー合成や深度推定などのタスクを含む,公開データセット上でのSOTA性能を実現する。
論文 参考訳（メタデータ） (2026-03-17T07:40:45Z) - EMGauss: Continuous Slice-to-3D Reconstruction via Dynamic Gaussian Modeling in Volume Electron Microscopy [41.838228673736076]
本稿では,平面走査型2次元スライスからの3次元再構成のための一般的なフレームワークであるEMGaussについて紹介する。
我々の重要な革新は、ガウススプラッティングに基づく3次元動的シーンレンダリング問題としてスライス・ツー・3D再構成を再構成することである。
EMGausは拡散およびGANに基づく再構成法と比較して、品質を大幅に向上し、連続的なスライス合成を可能にし、大規模プレトレーニングの必要性を排除している。
論文 参考訳（メタデータ） (2025-12-07T06:39:57Z) - LiftRefine: Progressively Refined View Synthesis from 3D Lifting with Volume-Triplane Representations [21.183524347952762]
単視点または少数視点の入力画像から3次元のニューラルフィールドを用いた新しいビュー合成法を提案する。
我々の再構成モデルはまず、粗いスケールの3D表現として1つ以上の入力画像をボリュームから3D空間に持ち上げる。
我々の拡散モデルは、三面体からのレンダリング画像に欠けている詳細を幻覚させる。
論文 参考訳（メタデータ） (2024-12-19T02:23:55Z) - CropCraft: Inverse Procedural Modeling for 3D Reconstruction of Crop Plants [16.558411700996746]
逆手続きモデルによる植物形態のモデル最適化に基づく農作物の3次元再構築手法を提案する。
本手法を農業現場の実画像のデータセット上で検証し, 様々なモニタリング・シミュレーションに応用できることを実証する。
論文 参考訳（メタデータ） (2024-11-14T18:58:02Z) - GeoLRM: Geometry-Aware Large Reconstruction Model for High-Quality 3D Gaussian Generation [65.33726478659304]
GeoLRM(Geometry-Aware Large Restruction Model)は、512kガウスと21の入力画像で11GBのGPUメモリで高品質な資産を予測できる手法である。
従来の作品では、3D構造の本質的な空間性は無視されており、3D画像と2D画像の間の明示的な幾何学的関係は利用されていない。
GeoLRMは、3Dポイントを直接処理し、変形可能なクロスアテンション機構を使用する新しい3D対応トランスフォーマー構造を導入することで、これらの問題に対処する。
論文 参考訳（メタデータ） (2024-06-21T17:49:31Z) - LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image [64.94932577552458]
大規模再構成モデルは、単一または複数入力画像から自動3Dコンテンツ生成の領域において大きな進歩を遂げている。
彼らの成功にもかかわらず、これらのモデルはしばしば幾何学的不正確な3Dメッシュを生成し、画像データからのみ3D形状を推論する固有の課題から生まれた。
生成した3Dメッシュの忠実度を高めるために3Dポイントクラウドデータを利用する新しいフレームワークであるLarge Image and Point Cloud Alignment Model (LAM3D)を導入する。
論文 参考訳（メタデータ） (2024-05-24T15:09:12Z) - GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。
本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。
実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
論文 参考訳（メタデータ） (2024-03-15T12:24:36Z)
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。