論文の概要: Wat3R: Underwater 3D Geometry Learning without Annotations
- arxiv url: http://arxiv.org/abs/2607.08772v1
- Date: Thu, 09 Jul 2026 17:59:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.633073
- Title: Wat3R: Underwater 3D Geometry Learning without Annotations
- Title（参考訳）: Wat3R: アノテーションのない水中3次元幾何学学習
- Abstract要約: 水中環境における3D形状の推定は、光の減衰、散乱、大規模で高品質な3Dアノテーションの欠如による固有の課題を示す。
本稿では,空中から水中へのフィードフォワード3D再構成モデルの適用を目的とした,クロスドメイン半教師付き学習フレームワークWat3Rを提案する。
- 参考スコア（独自算出の注目度）: 58.91163632674025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating 3D geometry in underwater environments presents unique challenges due to light attenuation, scattering, and the absence of large-scale, high-quality 3D annotations. Pioneering methods rely on massive dense annotations that are impractical in underwater settings. In this paper, we propose Wat3R, a cross-domain semi-supervised learning framework designed to adapt feed-forward 3D reconstruction models from air to underwater scenes. Uniquely, our method eliminates the need for any annotated underwater data following a teacher-student architecture, that learns robust geometry representations merely on abundant unlabeled real underwater video footage. We also design a cross-view consistency loss that leverages geometric cues from other views to compensate for the information degradation in the current view caused by water attenuation and scattering. Furthermore, considering the lack of comprehensive evaluation benchmarks, we construct Water3D, a diverse dataset covering various water bodies and underwater scenarios, designed for geometric task evaluation. Experimental results demonstrate that Wat3R outperforms current state-of-the-art methods in underwater multi-view depth estimation and point cloud reconstruction. The dataset and code are available at https://github.com/LSXI7/Wat3R .
- Abstract（参考訳）: 水中環境における3D形状の推定は、光の減衰、散乱、大規模で高品質な3Dアノテーションの欠如による固有の課題を示す。
パイオニアリング法は、水中環境では実用的でない大量の密集アノテーションに依存している。
本稿では,水面から水中へのフィードフォワード3次元再構成モデルの適用を目的とした,クロスドメイン半教師付き学習フレームワークWat3Rを提案する。
また,本手法では,教師が学習する水中ビデオ映像から,ロバストな幾何学的表現を学習し,注釈付き水中データの必要性を解消する。
また、他のビューからの幾何的手がかりを利用して、水減衰や散乱による現在のビューにおける情報劣化を補うクロスビュー整合損失を設計する。
さらに, 総合的な評価ベンチマークの欠如を考慮し, 幾何的タスク評価のために設計された, 様々な水域および水中シナリオをカバーする多様なデータセットであるWater3Dを構築した。
実験により,Wat3Rは水中の多視点深度推定と点雲再構成において,現在の最先端手法よりも優れていることが示された。
データセットとコードはhttps://github.com/LSXI7/Wat3Rで公開されている。
関連論文リスト
- 3D-USE: From Image-Level to Scene-Level Underwater Enhancement [54.11922584483346]
水中のシーンレベル向上(USE)
強化のための信頼性のあるシーン表現と、強化された3Dデータをペア化せずに一貫した拡張ターゲットを使用する。
水中での実際の実験では、視界と視界の整合性が向上し、復元品質が保たれた。
論文 参考訳（メタデータ） (2026-08-28T07:34:13Z) - WAT3R: Feedforward Underwater 3D Reconstruction [33.441820956688396]
WAT3Rは水中画像から直接3Dシーンを再構築するためのフィードフォワードフレームワークである。
幾何学的制約のあるプロセスとして適応を活用することで、WAT3Rは軽量なニューラルネットワーク適応モジュールを統合する。
WAT3Rは3次元再構成作業における最先端の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-07-23T08:07:43Z) - Towards 3D karst underwater scene reconstruction from rotating sonar data [4.98552535993062]
ソナープロファイラから水中カルストコンデュットを再構築するためのパイプラインを提案する。
連続時間SLAM法と新しい2段階深層学習法を組み合わせた表面再構成を行った。
論文 参考訳（メタデータ） (2026-06-18T15:02:00Z) - Plenodium: UnderWater 3D Scene Reconstruction with Plenoptic Medium Representation [31.47797579690604]
Plenodiumは、オブジェクトと参加メディアの両方を共同でモデリングできる3D表現フレームワークである。
ビュー依存モデリングにのみ依存する既存の媒体表現とは対照的に,本手法では指向性情報と位置情報の両方を包含する。
実世界の水中データセットを用いた実験により,本手法は3次元再構成において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2025-05-27T14:37:58Z) - 3D-UIR: 3D Gaussian for Underwater 3D Scene Reconstruction via Physics Based Appearance-Medium Decoupling [30.985414238960466]
3D Gaussian Splatting (3DGS)はリアルタイムレンダリング機能を提供するが、水中の不均一な環境に苦しむ。
水媒体効果から物体の外観を遠ざける物理ベースの枠組みを提案する。
提案手法は,高品質な新規ビュー合成と物理的に正確なシーン復元を実現する。
論文 参考訳（メタデータ） (2025-05-27T14:19:30Z) - Visual enhancement and 3D representation for underwater scenes: a review [13.809193345785388]
水中視覚強調(UVE)と水中3D再構成は、コンピュータビジョンとAIベースのタスクにおいて大きな課題となる。
これらの分野での研究を進めるために,我々は多面的な視点から詳細をレビューする。
論文 参考訳（メタデータ） (2025-05-03T17:20:24Z) - UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-10T16:33:56Z) - Robust Geometry-Preserving Depth Estimation Using Differentiable
Rendering [93.94371335579321]
我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。
包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。
我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
論文 参考訳（メタデータ） (2023-09-18T12:36:39Z) - Virtual Normal: Enforcing Geometric Constraints for Accurate and Robust
Depth Prediction [87.08227378010874]
深度予測における高次3次元幾何学的制約の重要性を示す。
単純な幾何学的制約を強制する損失項を設計することにより、単眼深度推定の精度とロバスト性を大幅に改善する。
The-of-the-art results of learning metric depth on NYU Depth-V2 and KITTI。
論文 参考訳（メタデータ） (2021-03-07T00:08:21Z) - Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
カラービデオから多フレーム深度を推定する新しい学習手法を提案する。
本手法は深度推定精度において最先端の手法より優れる。
論文 参考訳（メタデータ） (2020-04-02T07:10:45Z)
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。