論文の概要: GHOST: Geometry-Guided Hallucination of Opaque Surface Textures

• arxiv url: http://arxiv.org/abs/2607.11118v1
• Date: Mon, 13 Jul 2026 05:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.342223
• Title: GHOST: Geometry-Guided Hallucination of Opaque Surface Textures
• Title（参考訳）: GHOST:不透明な表面テクスチャの幾何学的ガイドによる幻覚
• Abstract要約: 透明領域を不透明で構造的に一貫した表現に変換するための幾何学誘導型前処理フレームワークを提案する。 本手法は,本質的な測光手がかりを復元することにより,透明物体の最先端深度推定と再構成モデルの精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.28675177318965045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transparent objects pose a fundamental challenge for depth estimation and 3D reconstruction due to their violation of Lambertian assumptions, leading to severe geometry degradation in downstream tasks. To address this, we propose a novel geometry-guided preprocessing framework \textbf{GHOST} that leverages visual foundation models to transform transparent regions into opaque, structurally consistent representations without requiring downstream model retraining. Specifically, our pipeline utilizes (1) \textbf{TransDINO} and (2) \textbf{TransDecomp} to disentangle masks and transparency physical properties, while (3) \textbf{DAF-Net} recovers surface normal priors to encode geometric curvature. Subsequently, (4) \textbf{GeoSemTransNet} integrates these multi-modal cues to synthesize a texture-rich opaque RGB image that preserves the transparent object's 3D structure. Extensive experiments demonstrate that our method significantly enhances the accuracy of state-of-the-art depth estimation and reconstruction models on transparent objects by restoring essential photometric cues.
• Abstract（参考訳）: 透明な物体は、ランベルトの仮定に反するため、深度推定と3次元再構成に根本的な挑戦をし、下流のタスクでは幾何的劣化が発生する。 そこで本研究では,視覚基盤モデルを利用して,下流モデルの再トレーニングを必要とせず,透明な領域を不透明で構造的に整合性のある表現に変換する,幾何学誘導型前処理フレームワーク \textbf{GHOST} を提案する。 具体的には,(1) \textbf{TransDINO} と (2) \textbf{TransDecomp} を用いてマスクと透明な物理特性を分離し,(3) \textbf{DAF-Net} は表面の正規分布を復元して幾何曲率を符号化する。 その後、(4) \textbf{GeoSemTransNet} はこれらのマルチモーダルキューを統合し、透明物体の3D構造を保存したテクスチャに富んだ不透明なRGB画像を合成する。 大規模実験により, 本手法は, 透明物体の深度推定および再構成モデルの精度を大幅に向上することを示した。

関連論文リスト

• Surfsvr: 2D Surface Priors as 3D Geometric Regularizers for Sparse Voxel Reconstruction [56.51413081953813]
  SurfSVRは2次元表面の先行を明示的な3次元幾何正規化器として扱う新しいスパースボクセル再構成パラダイムである。 鮮明なボクセルの再現は、視認性と幾何学的特性が著しく異なる場面で一貫して改善される。
  論文  参考訳（メタデータ） (2026-08-12T11:25:31Z)
• TriSplat: Simulation-Ready Feed-Forward 3D Scene Reconstruction [65.03268438396556]
  TriSplatは、向き付けられた三角形のプリミティブを持つシーンを表すフィードフォワード再構築ネットワークである。 シミュレーション可能なメッシュシーンを1つのフォワードパスからエクスポートする。 RealEstate10K と DL3DV の実験により、この表現はガウスのフィードフォワードベースラインよりも幾何に忠実な再構成を生成することが示された。
  論文  参考訳（メタデータ） (2026-05-25T17:59:53Z)
• GTSR: Subsurface Scattering Awared 3D Gaussians for Translucent Surface Reconstruction [1.7145735930379027]
  透明物体の表面形状を再構成するための新しい3DGSベースのパイプライン(GTSR)を提案する。 提案手法は,NeuralTO Synデータセットのベースライン再構築手法より優れている。
  論文  参考訳（メタデータ） (2026-03-23T14:38:18Z)
• DiffTrans: Differentiable Geometry-Materials Decomposition for Reconstructing Transparent Objects [53.83670041249326]
  多視点画像から透明な物体を再構成することは、光伝搬の複雑な性質と不確定な振る舞いのために難しい課題である。 本稿では,透明物体の形状や材料を効率よく分解・再構成できる,DiffTransと呼ばれる透明物体の識別可能なレンダリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T02:21:31Z)
• TSGS: Improving Gaussian Splatting for Transparent Surface Reconstruction via Normal and De-lighting Priors [39.60777069381983]
  我々は、幾何学学習と外観改善を分離する新しいフレームワークであるTransparent Surface Gaussian Splatting (TSGS)を紹介した。 幾何学学習の段階では、TSGSは、表面を正確に表現するために、スペクトル抑圧された入力を用いて幾何学に焦点を当てる。 深度推定を強化するため、TSGSは第1面の深度抽出法を採用している。
  論文  参考訳（メタデータ） (2025-04-17T10:00:09Z)
• GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
  本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。 提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
  論文  参考訳（メタデータ） (2024-05-17T07:31:20Z)
• Ghost on the Shell: An Expressive Representation of General 3D Shapes [97.76840585617907]
  リアルな素材と照明で高速な物理ベースのレンダリングを可能にするので、メッシュは魅力的だ。 近年の3次元形状の再構成と統計的モデリングの研究は、メッシュをトポロジカルに非フレキシブルであると批判している。 我々は水密面上の多様体符号距離場を定義することにより開曲面をパラメータ化する。 G-Shellは、非水密メッシュ再構築および生成タスクにおける最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-10-23T17:59:52Z)
• Tabletop Transparent Scene Reconstruction via Epipolar-Guided Optical Flow with Monocular Depth Completion Prior [14.049778178534588]
  モバイルプラットフォームに適した透明なオブジェクトを再構築するための2段階パイプラインを導入する。 EOF(Epipolar-Guided Optical Flow)は、一貫した3次元再構成に先立って複数の単一視野形状を融合する。 パイプラインは, 3次元再構成品質において, ベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-15T21:30:06Z)
• NEMTO: Neural Environment Matting for Novel View and Relighting Synthesis of Transparent Objects [28.62468618676557]
  我々は3次元透明物体をモデル化する最初のエンドツーエンドニューラルネットワークパイプラインであるNEMTOを提案する。 透明物体の2次元像を入力として, 高品質な新規ビューと光合成が可能となる。
  論文  参考訳（メタデータ） (2023-03-21T15:50:08Z)
• Through the Looking Glass: Neural 3D Reconstruction of Transparent Shapes [75.63464905190061]
  屈折と反射によって誘導される複雑な光路は、従来の多視点ステレオと深いステレオの両方がこの問題を解決するのを妨げている。 携帯電話カメラで取得したいくつかの画像を用いて透明物体の3次元形状を復元する物理ネットワークを提案する。 5-12個の自然画像を用いて, 複雑な透明形状に対する高品質な3次元形状の復元に成功した。
  論文  参考訳（メタデータ） (2020-04-22T23:51:30Z)

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。