論文の概要: Depth Estimators Are Implicit Neural Fields for 3D Scene Geometry Inpainting and Reconstruction

• arxiv url: http://arxiv.org/abs/2607.16286v1
• Date: Sat, 11 Jul 2026 12:52:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.085917
• Title: Depth Estimators Are Implicit Neural Fields for 3D Scene Geometry Inpainting and Reconstruction
• Title（参考訳）: 深度推定器は3次元画像の描画と再構成に欠かせないニューラルネットワークである
• Authors: Yingzhao Jian, Zihao Lin, Hehe Fan,
• Abstract要約: 本研究では3次元シーン形状問題の解法としてニューラル深さ場(NDF)を提案する。 多様なシーンデータにまたがって高忠実で一貫した幾何学を生成する。 視界不整合を63.3%減少させ、塗装精度を23.1%向上させる。
• 参考スコア（独自算出の注目度）: 23.07749188165957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The 3D geometry of real-world scene data is often incomplete. Mainstream methods use depth estimators to inpaint missing structure. However, their prediction results can be inconsistent with observed geometry, or unreliable on out-of-distribution data. To solve these problems, we propose Neural Depth Field (NDF). Our key insight is that a depth estimator can also be a scene-level implicit field. As an estimator, it adapts to the target domain by learning observed depth data. As an implicit field, it fits the existing geometry to maintain consistency. Under this view, NDF addresses both problems through a single test-time optimization. Experiments show that NDF produces high-fidelity and globally consistent geometry across diverse scene data, ranging from indoor scans to satellite imagery. It reduces cross-view inconsistency by 63.3\% and improves inpainting accuracy by 23.1\%, achieving state-of-the-art performance in 3D scene geometry inpainting. The code is available at: https://github.com/Shadow-Dream/Neural-Depth-Field.
• Abstract（参考訳）: 実世界のシーンデータの3次元幾何学はしばしば不完全である。 メインストリームメソッドは、深さ推定器を使用して、行方不明な構造にペンキを塗る。 しかし、それらの予測結果は観測された幾何学と矛盾しうるし、分布外のデータでは信頼できない。 これらの問題を解決するために,ニューラル深さ場(NDF)を提案する。 私たちの重要な洞察は、深度推定器はシーンレベルの暗黙の場でもあるということです。 推定器として、観測深度データを学習して対象領域に適応する。 暗黙の場として、それは一貫性を維持するために既存の幾何学に適合する。 この観点では、NDFは2つの問題に単一のテスト時間最適化を通じて対処する。 実験により、NDFは屋内スキャンから衛星画像まで、さまざまなシーンデータにまたがって、高忠実でグローバルに一貫した幾何を生成することが示された。 クロスビューの不整合を63.3\%減少させ、インペイント精度を23.1\%向上させ、3Dシーン形状のインペイントにおける最先端のパフォーマンスを達成する。 コードは、https://github.com/Shadow-Dream/Neural-Depth-Fieldで入手できる。

関連論文リスト

• Revisiting Depth Representations for Feed-Forward 3D Gaussian Splatting [57.43483622778394]
  本稿では,事前学習した変圧器によって予測される点マップに基づく新しい正規化損失PM-Lossを紹介する。 改良された深度マップにより,様々なアーキテクチャやシーンのフィードフォワード3DGSを大幅に改善する。
  論文  参考訳（メタデータ） (2025-06-05T17:58:23Z)
• DepthLab: From Partial to Complete [80.58276388743306]
  不足する値は、幅広いアプリケーションにわたる深度データにとって共通の課題である。 この作業は、イメージ拡散プリエントを利用した基礎深度塗装モデルであるDepthLabと、このギャップを埋めるものだ。 提案手法は,3Dシーンのインペイント,テキストから3Dシーン生成,DUST3Rによるスパースビュー再構成,LiDAR深度補完など,様々なダウンストリームタスクにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:16:38Z)
• Inverse Neural Rendering for Explainable Multi-Object Tracking [35.072142773300655]
  我々はRGBカメラから3Dマルチオブジェクト追跡をEmphInverse Rendering (IR)問題として再放送した。 我々は、本質的に形状と外観特性を歪ませる生成潜在空間上の画像損失を最適化する。 本手法の一般化とスケーリング能力は,合成データのみから生成前を学習することで検証する。
  論文  参考訳（メタデータ） (2024-04-18T17:37:53Z)
• Neural 3D Scene Reconstruction from Multiple 2D Images without 3D Supervision [41.20504333318276]
  平面制約下でのスパース深度を用いてシーンを3次元の監督なしに再構成する新しいニューラル再構成法を提案する。 シーンを表すために,符号付き距離関数場,色場,確率場を導入する。 我々は、これらのフィールドを最適化し、2D画像で識別可能な光線マーキングを監督することでシーンを再構築する。
  論文  参考訳（メタデータ） (2023-06-30T13:30:48Z)
• Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
  本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。 平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。 提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
  論文  参考訳（メタデータ） (2022-05-05T17:59:55Z)
• 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。