論文の概要: SeasonStereo: Robust Dense Stereo Matching for Multi-Date Satellite Imagery via Generative AI

• arxiv url: http://arxiv.org/abs/2607.27139v1
• Date: Wed, 29 Jul 2026 17:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.750262
• Title: SeasonStereo: Robust Dense Stereo Matching for Multi-Date Satellite Imagery via Generative AI
• Title（参考訳）: SeasonStereo: 生成AIによる多次元衛星画像のためのロバストDense Stereo Matching
• Abstract要約: SeasonStereoは、季節変動を制御した合成画像対のトレーニングにより、ダイアクロニック衛星画像からの不均一性推定に対処するスケーラブルなフレームワークである。 SeasonStereoは最先端のLiDAR教師付きモデルの精度と一致し、実際のマルチ日付トレーニング製品やLiDARから派生したラベルを必要としない、よりシャープな幾何学的詳細を生成する。
• 参考スコア（独自算出の注目度）: 14.611891210116726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D reconstruction from satellite imagery typically relies on near-simultaneous stereo pairs, limiting its applicability to diachronic settings where multi-date images exhibit varying seasonal and illumination conditions. Training dense stereo matching models robust to appearance changes is a long-standing challenge, as aligned multi-date imagery and ground-truth geometry are costly to obtain at scale. We propose SeasonStereo, a scalable framework that addresses disparity estimation from diachronic satellite images by training on synthetic image pairs with controlled seasonal appearance variation, while leveraging zero-shot geometric priors from foundation models. SeasonStereo matches the accuracy of state-of-the-art LiDAR-supervised models, while producing sharper geometric details without requiring aligned real multi-date training products or LiDAR-derived labels. As a result, SeasonStereo offers a practical path toward large-scale 3D reconstruction from heterogeneous satellite images with reduced supervision cost.
• Abstract（参考訳）: 衛星画像からの正確な3D再構成は、通常、ほぼ同時のステレオペアに依存し、その適用性は、季節や照明条件の異なる複数の時代画像に制限される。 外観変化に頑健な密集したステレオマッチングモデルの訓練は長期にわたる課題である。 本研究では, 季節変動を制御した合成画像対をトレーニングし, 基礎モデルからのゼロショット幾何学的先行情報を活用することにより, ダイアクロニック衛星画像からの不均一性推定に対処するスケーラブルなフレームワークである seasonStereo を提案する。 SeasonStereoは最先端のLiDAR教師付きモデルの精度と一致し、実際のマルチ日付トレーニング製品やLiDARから派生したラベルを必要としない、よりシャープな幾何学的詳細を生成する。 その結果、シーズンStereoは、監視コストを削減し、異種衛星画像から大規模な3D再構成を実現するための実践的な道筋を提供する。

関連論文リスト

• Satellite-Free Training for Drone-View Geo-Localization [23.183491899036138]
  ドローンビューのジオローカライゼーションは、対応するジオタグ付き衛星タイルを検索することで、GPSで識別された環境におけるドローンの位置を決定することを目的としている。 本稿では,ドローン画像のクロスプラットフォーム対応表現に変換する,衛星フリーのトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-02T03:48:53Z)
• LightHarmony3D: Harmonizing Illumination and Shadows for Object Insertion in 3D Gaussian Splatting [90.15229815175593]
  光ハーモニー3D(LightHarmony3D)について述べる。 繰り返し最適化の代わりに生成前処理を活用することにより,本手法はシーン照明を効率よく捉えることができる。 3DGSでメッシュ挿入のための最初の専用ベンチマークを導入し、照明の一貫性と光リアリズムを評価するための標準化された評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-03-31T03:26:30Z)
• Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
  長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。 既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。 我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
  論文  参考訳（メタデータ） (2026-02-24T06:12:51Z)
• Diachronic Stereo Matching for Multi-Date Satellite Imagery [21.19576412923101]
  本研究は,衛星画像に対する最初のダイアクロニックステレオマッチング法であり,時間的に離れたペアからの信頼性の高い3次元再構成を可能にする。 2つの進歩により、(1)単分子深度を用いた最先端のディープステレオネットワークを微調整し、(2)多種多様なダイアクロニック画像ペアを含むように特別にキュレートされたデータセットに公開する。 本手法は, 対のダイアクロニックな性質に拘わらず正確な形状を復元し, 外観変化が強く, 既存のゼロショット法が失敗する原因となる。
  論文  参考訳（メタデータ） (2026-01-30T10:37:20Z)
• Beyond a Single Light: A Large-Scale Aerial Dataset for Urban Scene Reconstruction Under Varying Illumination [27.470486341807316]
  都市景観のモデリングにおいて,照明の堅牢な3次元再構成を特に研究するためのデータセットSkyLumeを紹介した。 100k以上の高分解能UAV画像からなる10の都市域データからデータを収集する。 各種照明下での深度, 表面の正常度, 再現性を評価するために, シーンごとのLiDARスキャンと正確な3次元地下構造を提供する。
  論文  参考訳（メタデータ） (2025-12-16T08:47:56Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• UAVLight: A Benchmark for Illumination-Robust 3D Reconstruction in Unmanned Aerial Vehicle (UAV) Scenes [17.205790966354705]
  UAVLight(UAVLight)は、照明・ローバースト3D再構成のための制御済みのリアルタイムベンチマークである。 各シーンは、複数の一定時間に繰り返し、地理的に参照された飛行経路に沿って撮影される。 照明条件の標準化された評価プロトコルにより、UAVLightは再構成手法の開発とベンチマークのための信頼性の高い基盤を提供する。
  論文  参考訳（メタデータ） (2025-11-26T16:38:29Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• RelitLRM: Generative Relightable Radiance for Large Reconstruction Models [52.672706620003765]
  本稿では,新しい照明下での3Dオブジェクトの高品質なガウススプレイティング表現を生成するためのRelitLRMを提案する。 複雑なキャプチャと遅い最適化を必要とする従来の逆レンダリングとは異なり、RelitLRMはフィードフォワードトランスフォーマーベースのモデルを採用している。 スパースビューフィードフォワードRelitLRMは、最先端の密集ビュー最適化ベースラインに対して、競争力のあるリライティング結果を提供する。
  論文  参考訳（メタデータ） (2024-10-08T17:40:01Z)
• Sat2Scene: 3D Urban Scene Generation from Satellite Images with Diffusion [77.34078223594686]
  本稿では,3次元スパース表現に拡散モデルを導入し,それらをニューラルレンダリング技術と組み合わせることで,直接3次元シーン生成のための新しいアーキテクチャを提案する。 具体的には、まず3次元拡散モデルを用いて、所定の幾何学の点レベルのテクスチャ色を生成し、次にフィードフォワード方式でシーン表現に変換する。 2つの都市規模データセットを用いた実験により,衛星画像から写真リアルなストリートビュー画像シーケンスとクロスビュー都市シーンを生成する能力を示した。
  論文  参考訳（メタデータ） (2024-01-19T16:15:37Z)
• DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
  現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。 提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
  論文  参考訳（メタデータ） (2023-12-06T16:53:17Z)
• ResDepth: A Deep Prior For 3D Reconstruction From High-resolution Satellite Images [28.975837416508142]
  ResDepthは畳み込みニューラルネットワークで、例データからそのような表現幾何学を学習する。 一連の実験において,提案手法はステレオDSMを定量的かつ定性的に一貫的に改善することがわかった。 ネットワーク重みに符号化された先行符号化は、都市デザインの意義ある幾何学的特徴を捉えていることを示す。
  論文  参考訳（メタデータ） (2021-06-15T12:51:28Z)

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。