論文の概要: Text-to-Image Generation for Projector-Camera System Registration
- arxiv url: http://arxiv.org/abs/2607.03046v1
- Date: Fri, 03 Jul 2026 07:37:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.504868
- Title: Text-to-Image Generation for Projector-Camera System Registration
- Title（参考訳）: プロジェクタカメラシステム登録のためのテキスト・ツー・イメージ生成
- Abstract要約: テキストベースのプロンプトから1つの自然な画像を生成するための,ディープニューラルネットワークに基づく手法を提案する。
本手法は,テキストベースのプロンプトから1つの自然な画像を生成することを目的としている。
訓練されたネットワークはプロジェクターとカメラ画像の対応を予測し、様々なプロカメラ構成における登録精度を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 18.826226391746193
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Establishing correspondence between projector and camera images in a procam (projector + camera) system is essential for achieving high-resolution pixel matching, referred to as procam registration. The highest accuracy is typically obtained using structured light patterns (e.g., stripes or blobs). However, these methods are often inefficient and lack meaningful information for human viewers. Although some have explored the use of natural images, these often fail to provide a sufficient distribution of features to achieve comparable accuracy. Additionally, existing methods struggle to cope with environmental factors such as surface textures and variations in brightness due to ambient light or changes in camera exposure. To address these limitations, we propose a method based on deep neural networks. Our approach aims to generate a single natural image from text-based prompts that not only appears realistic but also possesses rich spatial features to enhance registration accuracy in procam applications. We have developed a deep neural network trained on a synthesized dataset that simulates potential geometric and photometric distortions encountered in a procam system illuminating a relatively smooth object (see Figure 1). Our trained network predicts the correspondence between projector and camera images, significantly improving registration accuracy across various procam configurations. By jointly considering the naturalness and feature richness of the projector images, our method minimizes visual disruptions in projected content without sacrificing precision. A user study confirms that our technique enhances perceived naturalness and usability compared to existing methods, validating its practical utility in real-world applications.
- Abstract（参考訳）: プロカメラ(プロジェクター+カメラ)システムにおけるプロジェクターとカメラ画像の対応性を確立することは、プロカメラ登録と呼ばれる高解像度のピクセルマッチングを実現するために不可欠である。
最も高い精度は、通常、構造化された光パターン(例えば、ストライプまたはブロブ)を用いて得られる。
しかし、これらの手法はしばしば非効率であり、人間の視聴者にとって意味のある情報がない。
自然画像の使用を探求する者もいるが、これらはしばしば同等の精度を達成するのに十分な特徴の分布を提供していない。
さらに、既存の手法は、環境光やカメラ露出の変化による表面のテクスチャや明るさの変化といった環境要因に対処するのに苦労している。
これらの制約に対処するために,ディープニューラルネットワークに基づく手法を提案する。
提案手法は,テキストベースのプロンプトから1つの自然な画像を生成することを目的としている。
我々は、比較的滑らかな物体を照らすプロカムシステムで発生する潜在的な幾何学的および測光的歪みをシミュレートする合成データセットに基づいて訓練されたディープニューラルネットワークを開発した(図1参照)。
訓練されたネットワークはプロジェクターとカメラ画像の対応を予測し、様々なプロカメラ構成における登録精度を大幅に向上させる。
プロジェクター画像の自然性や特徴の豊かさを共同で考慮することにより、投影されたコンテンツの視覚的破壊を精度を犠牲にすることなく最小化することができる。
ユーザスタディでは,本手法が既存手法と比較して自然性やユーザビリティを向上し,実世界の応用における実用性を検証している。
関連論文リスト
- Robust Single-shot Structured Light 3D Imaging via Neural Feature Decoding [33.013553875034795]
単発構造光システムを用いた能動3次元イメージングの問題点を考察する。
従来の構造化光法は、通常、ピクセル領域マッチングアルゴリズムによって深度対応をデコードする。
ニューラル特徴マッチングの最近の進歩に触発されて、学習に基づく構造化光復号フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-16T02:47:38Z) - RePose-NeRF: Robust Radiance Fields for Mesh Reconstruction under Noisy Camera Poses [0.5328562411561214]
マルチビュー画像から直接高品質で編集可能な3Dメッシュを再構築する堅牢なフレームワークを提案する。
我々のアプローチは、細かな幾何学的ディテールと外観をキャプチャする暗黙のシーン表現を学習しながら、カメラのポーズを共同で洗練する。
論文 参考訳（メタデータ） (2025-11-11T18:25:58Z) - DPCS: Path Tracing-Based Differentiable Projector-Camera Systems [49.69815958689441]
ProCamのプロジェクタカメラシステム(ProCams)シミュレーションは、プロカメラの物理的プロジェクタ・アンド・キャプチャ・プロセスと関連するシーンパラメータをモデル化することを目的としている。
最近の進歩は、プロジェクト・アンド・キャプチャプロセスを学ぶためにエンドツーエンドのニューラルネットワークを使用している。
本稿では,新しい経路追従型微分可能プロジェクタカメラシステム(DPCS)を導入し,微分可能なProCamsシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2025-03-15T15:31:18Z) - Neural Real-Time Recalibration for Infrared Multi-Camera Systems [2.249916681499244]
赤外線マルチカメラシステムのリアルタイム再校正には、学習のない、あるいはニューラルネットワーク技術は存在しない。
動的リアルタイムキャリブレーションが可能なニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-10-18T14:37:37Z) - Learning Robust Multi-Scale Representation for Neural Radiance Fields
from Unposed Images [65.41966114373373]
コンピュータビジョンにおけるニューラルイメージベースのレンダリング問題に対する改善された解決策を提案する。
提案手法は,テスト時に新たな視点からシーンのリアルなイメージを合成することができる。
論文 参考訳（メタデータ） (2023-11-08T08:18:23Z) - Neural Projection Mapping Using Reflectance Fields [11.74757574153076]
我々は、プロジェクターを神経反射場に導入し、プロジェクターを校正し、リアルな光編集を行う。
私たちのニューラルネットワークは3つのニューラルネットワークで構成されています。
ニューラルプロジェクションマッピングは、シーンとプロジェクションイメージの共同最適化を通じて、新規でエキサイティングな下流タスクへの扉を開くと信じている。
論文 参考訳（メタデータ） (2023-06-11T05:33:10Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳（メタデータ） (2021-03-22T18:06:58Z) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - DeProCams: Simultaneous Relighting, Compensation and Shape
Reconstruction for Projector-Camera Systems [91.45207885902786]
本稿では,ProCamsの測光および幾何学的マッピングを学習するために,DeProCamsという新しいエンドツーエンドトレーニングモデルを提案する。
DeProCamsは、プロジェクターカメライメージマッピングを、シェーディング属性推定、粗い直接光推定、フォトリアリスティックなニューラルレンダリングの3つのサブプロセスに明示的に分解する。
私たちの実験では、DeProCamsは、期待できる品質と完全に差別化可能な従来の芸術よりも明確な優位性を示している。
論文 参考訳（メタデータ） (2020-03-06T05:49:16Z)
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。