論文の概要: Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation
- arxiv url: http://arxiv.org/abs/2607.14203v1
- Date: Wed, 15 Jul 2026 17:50:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.870919
- Title: Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation
- Title（参考訳）: Instant NuRec: 運転シーンシミュレーションのためのフィードフォワード3次元ガウス再構成
- Abstract要約: Instant NuRecはフィードフォワード型ニューラルリコンストラクションモデルで、短いマルチビュー駆動ログを1つの前方パスで3次元の世界に変換する。
このモデルはカメラリグからのマルチビュー入力を受け取り、静的および動的3DGS層、スカイキューブマップ、およびカメラごとのISP補正からなる層出力を出力する。
約1.5秒で10-20秒のマルチカメラシーンを再構成し、最も評価の高いベースラインより2.01dBのPSNRを達成する。
- 参考スコア（独自算出の注目度）: 63.04937864192328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D simulation platforms are critical for autonomous driving because they enable end-to-end policy evaluation, thereby reducing development costs and improving safety. In recent years, neural simulation has become predominant, with methods such as NuRec playing a central role; however, these methods remain relatively slow and typically require per-scene tuning. In this work, we present Instant NuRec, a feed-forward neural reconstruction model that turns a short multi-view driving log into a fully simulatable 3D Gaussian Splatting (3DGS) world in a single forward pass. The model accepts multi-view input from a calibrated camera rig and emits a layered output consisting of static and dynamic 3DGS layers, a sky cubemap, and per-camera ISP corrections, while providing native support for non-pinhole camera models via 3DGUT. It reconstructs a 10-20-second multi-camera scene in roughly 1.5 seconds and achieves a PSNR on the Waymo Open Dataset that is 2.01 dB above the strongest evaluated baseline. Instant NuRec is deeply integrated into NuRec and is compatible with AlpaSim for closed-loop simulation.
- Abstract（参考訳）: 3Dシミュレーションプラットフォームは、エンドツーエンドのポリシー評価を可能にし、開発コストを削減し、安全性を向上させるため、自律運転に不可欠である。
近年、ニューラルシミュレーションが主流となり、NuRecのような手法が中心となっているが、これらの手法は比較的遅いままであり、通常はシーンごとのチューニングを必要とする。
本研究では,フィードフォワード型ニューラルリコンストラクションモデルであるInstant NuRecを紹介し,短いマルチビュー駆動ログを完全なシミュラブルな3Dガウススプラッティング(3DGS)の世界に1回の前方通過で変換する。
このモデルは、キャリブレーションされたカメラリグからのマルチビュー入力を受け取り、3DGUTを介して非ピンホールカメラモデルのネイティブサポートを提供しながら、静的および動的3DGS層、スカイキューブマップ、およびカメラごとのISP補正からなる層出力を出力する。
約1.5秒で10-20秒のマルチカメラシーンを再構築し、最強評価ベースラインより2.01dBのWaymo Open Dataset上でPSNRを達成する。
Instant NuRecはNuRecに深く統合されており、クローズドループシミュレーションのためにAlpaSimと互換性がある。
関連論文リスト
- Point as Skeleton: Accumulated Point Cloud Enhanced Autoregressive Generation for Closed-Loop Autonomous Driving Simulation [58.86413499077093]
状態更新型自己回帰駆動ビデオ生成のための生成センサシミュレーションフレームワークであるSkeleton を textbfemphPoint として提案する。
閉ループロールアウトをサポートするために,リセット・アンド・ロール(Reset-and-Roll)を導入し,ローリング拡散推論をシミュレーションに適用する。
nuScenes と nuPlan の実験では、textitPoint as Skeleton がクローズドループロールアウト時の自動回帰生成品質を向上させることが示されている。
論文 参考訳（メタデータ） (2026-07-07T17:20:51Z) - Fast 3D Foundation Model Initialized Gaussian Splatting [0.04117494580521491]
提案手法は既存のパイプラインで必要となるわずかな時間で利用できる3DGSモデルを生成する。
この方法は、ロボット工学、VR、自律ナビゲーションにおけるほぼリアルタイムでの応用に適している。
論文 参考訳（メタデータ） (2026-07-03T11:24:27Z) - MM-TRELLIS: Point-Cloud Guided Multi-Modal 3D Vehicle Generation in Autonomous Driving [48.042009630881275]
MM-TRELLIS(MM-TRELLIS)は、車載3D車両用TRELLISのマルチモーダルバージョンである。
LiDARと、自動運転データセットからのイメージセンサーを、ネイティブな3D生成モデルに統合する。
提案手法は,高忠実度3D車両における既存手法よりも優れる。
論文 参考訳（メタデータ） (2026-06-23T08:31:39Z) - Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。
SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
論文 参考訳（メタデータ） (2026-04-20T16:20:57Z) - FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos [134.8812117202239]
本稿では,エゴセントリックなRGB-Dインタラクションビデオから直接室内シーンの3次元ディジタル双対を再構成するFunRecを提案する。
本研究では,URDF/USDエクスポートのシミュレーション,手指のアベイランスマッピング,ロボットとシーンのインタラクションへの応用を実演する。
論文 参考訳（メタデータ） (2026-04-07T09:22:12Z) - DGGT: Feedforward 4D Reconstruction of Dynamic Driving Scenes using Unposed Images [36.562825380568384]
ポーズレス動的シーン再構築のための統合フレームワークである textbf driving Gaussian Grounded Transformer (DGGT) を紹介する。
提案手法は,フレームごとの3次元ガウスマップとカメラパラメータを共同で予測し,軽量なダイナミックヘッドでダイナミックスを歪曲する。
拡散ベースのレンダリング改善により、運動・補間アーティファクトがさらに減少し、スパース入力下での新規ビュー品質が向上する。
論文 参考訳（メタデータ） (2025-12-02T18:29:18Z) - SimULi: Real-Time LiDAR and Camera Simulation with Unscented Transforms [31.853574316696037]
SimULiは任意のカメラモデルとLiDARデータをリアルタイムでレンダリングできる最初の方法である。
提案手法は,LiDARをサポートする複雑なカメラモデルをサポートする3DGUTを,自動タイリング戦略により拡張する。
SimULiはレイトレーシングのアプローチよりも10～20倍高速で、優先度ベースの作業よりも1.5～10倍高速である。
論文 参考訳（メタデータ） (2025-10-14T18:22:45Z) - Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation [1.0027737736304287]
ニューラル再構成の強みと物理ベースのレンダリングを組み合わせたハイブリッドアプローチを導入する。
提案手法は,特に道路面やレーンマーキングにおいて,新規なビュー合成品質を著しく向上させる。
ノイズの多いLiDAR点雲からの奥行き正則化により、元の画像上でカスタマイズされたNeRFモデルをトレーニングすることで、これを実現する。
論文 参考訳（メタデータ） (2025-03-12T15:18:50Z) - SplatAD: Real-Time Lidar and Camera Rendering with 3D Gaussian Splatting for Autonomous Driving [6.221538885604869]
カメラとライダーデータのセンサリアリスティックレンダリングのための既存のニューラル放射場(NeRF)法は、低レンダリング速度に悩まされている。
SplatADは,カメラとライダーデータの両方の動的シーンをリアルかつリアルタイムにレンダリングするための,最初の3DGSベースの手法である。
論文 参考訳（メタデータ） (2024-11-25T16:18:22Z) - DistillNeRF: Perceiving 3D Scenes from Single-Glance Images by Distilling Neural Fields and Foundation Model Features [65.8738034806085]
DistillNeRFは、自動運転シーンにおける3D環境を理解するための自己教師型学習フレームワークである。
本手法は,スパースで単一フレームのマルチビューカメラ入力からリッチなニューラルシーン表現を予測する一般化可能なフィードフォワードモデルである。
論文 参考訳（メタデータ） (2024-06-17T21:15:13Z)
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。