論文の概要: DerainSplat: Feed-Forward Clean 3D Gaussian Splatting from Sparse Rainy Views
- arxiv url: http://arxiv.org/abs/2608.02191v1
- Date: Mon, 03 Aug 2026 13:15:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.574857
- Title: DerainSplat: Feed-Forward Clean 3D Gaussian Splatting from Sparse Rainy Views
- Title（参考訳）: DerainSplat:スパークレインビューから3Dガウシアンスプレイティングをフィードフォワードで
- Abstract要約: textbftextitDerainSplatは、雨の多い景色からきれいな3Dシーンを再構築する。
textbftextitDerainSplatは、さまざまなデータセット上の既存のメソッドよりも優れています。
- 参考スコア（独自算出の注目度）: 7.477699693479806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although image deraining has advanced substantially, existing methods mainly focus on 2D image restoration. As spatial intelligence applications such as embodied AI and autonomous driving continue to emerge, reconstructing clean 3D scenes from sparse rainy views in a feed-forward manner becomes increasingly important. Existing feed-forward 3D Gaussian Splatting (3DGS) methods often assume clean inputs and collapse under rainy conditions. To this end, we present \textbf{\textit{DerainSplat}}, a feed-forward framework that reconstructs clean 3D scenes from only a few rainy views. To support this task, we build a large-scale multi-view derain dataset through a four-stage synthesis pipeline that sequentially models overcast illumination, depth-dependent haze, rain streaks, and lens raindrops, producing privileged weather factors. We introduce a weather net that predicts the weather factors from rainy context and yields two support maps. Scene support modulates cross-view cost-volume matching, while radiance support drives depth-aligned appearance fusion to fill corrupted pixels. The derived geometry evidence further attenuates Gaussian opacity to reduce spurious structures. A rainy cycle consistency re-renders clean views using the predicted factors and aligns them with rainy inputs. Extensive experiments show that \textbf{\textit{DerainSplat}} outperforms existing methods on various datasets, including RealEstate10K, ACID, Mip-NeRF360, and real-world rainy scenes, with strong cross-dataset generalization.
- Abstract（参考訳）: 画像デライニングは大幅に進歩しているが、既存の手法は主に2次元画像復元に焦点を当てている。
具体化されたAIや自律運転などの空間情報アプリケーションが登場し続けており、雨の少ない景色をフィードフォワードで再現することがますます重要になっている。
既存のフィードフォワード3Dガウススメッティング(3DGS)法では、雨条件下でクリーンな入力と崩壊を仮定することが多い。
この目的のために、少数の雨景色からクリーンな3Dシーンを再構築するフィードフォワードフレームワークである \textbf{\textit{DerainSplat}} を提示する。
この課題を支援するために、我々は4段階合成パイプラインを通じて大規模な多視点デラインデータセットを構築し、照明、奥行きに依存したヘイズ、雨天、レンズ雨滴を順次モデル化し、特権的な気象要因を発生させる。
気象要因を雨天の文脈から予測し、2つの支援マップを生成する気象ネットを導入する。
Sceneサポートは、クロスビューのコストボリュームマッチングを変調し、Radianceサポートは、劣化したピクセルを埋めるために深度に整合した外観融合を駆動する。
導出された幾何学的証拠は、急激な構造を減らすためにガウスの不透明度をさらに弱める。
雨の周期の整合性は、予測された要因を使ってクリーンなビューを再レンダリングし、雨の入力と整合させる。
大規模な実験により、 \textbf{\textit{DerainSplat}} は、RealEstate10K、ACID、Mip-NeRF360、および現実世界の雨のシーンなど、さまざまなデータセット上で、強力なクロスデータセットの一般化によって、既存の手法よりも優れていることが示されている。
関連論文リスト
- Rethinking Rainy 3D Scene Reconstruction via Perspective Transforming and Brightness Tuning [8.552623283033695]
既存のデータセットはしばしば、雨の多い3Dシーンの2つの重要な特徴を見落としている。
OmniRain3Dという新しいデータセットを構築し、視点の不均一性と明るさの動的性を取り入れた。
本稿では,降雨時からクリーンな3Dシーンを高忠実に再現するREVR-GSNetというエンドツーエンド再構築フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-10T05:57:55Z) - Raindrop GS: A Benchmark for 3D Gaussian Splatting under Raindrop Conditions [23.642500549050027]
RaindropGSは、3DGSのパイプライン全体を評価するために設計されたベンチマークである。
まず,実世界の雨滴復元データセットを収集し,各シーンに3つの整列した画像を含む。
本研究では, 既存の3DGS法の性能限界に対する重要な洞察を, 総合的な実験と分析を通じて明らかにした。
論文 参考訳（メタデータ） (2025-10-20T16:36:15Z) - Semi-Supervised State-Space Model with Dynamic Stacking Filter for Real-World Video Deraining [73.5575992346396]
本稿では,ビデオシーケンスにおけるストリーク除去を改善するために,2分岐時間状態空間モデルを提案する。
マルチフレーム機能融合を改善するために,画素ワイド機能改善のための統計的フィルタを適応的に近似する動的フィルタ積層法を提案する。
降雨環境における他の視覚に基づくタスクを支援する上でのデラミニングモデルの能力をさらに探求するため,我々は新しい実世界ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-05-22T15:50:00Z) - SpikeDerain: Unveiling Clear Videos from Rainy Sequences Using Color Spike Streams [49.34425133546994]
雨の映像から鮮明なフレームを復元することは、暴風雨の急激な動きによって大きな課題となる。
従来のフレームベースの視覚センサーは、シーンのコンテンツを同期的にキャプチャする。
本研究では,ダイナミックシーンのスパイクストリームを再構築し,雨害を正確に除去できるカラースパイクストリームレイニングネットワーク(SpikeDerain)を提案する。
論文 参考訳（メタデータ） (2025-03-26T08:28:28Z) - DeRainGS: Gaussian Splatting for Enhanced Scene Reconstruction in Rainy Environments [4.86090922870914]
本研究では, 降雨環境における3次元再構築の課題について紹介する(3DRRE)。
このタスクをベンチマークするために、合成画像と実世界のシーン画像の両方の多様なコレクションからなるHydroViewsデータセットを構築した。
降雨環境の復元に適した3DGS法であるDeRainGSを提案する。
論文 参考訳（メタデータ） (2024-08-21T11:39:18Z) - RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。
既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。
L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
論文 参考訳（メタデータ） (2023-05-06T10:17:42Z) - Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for
Mixture of Rain Removal [18.04268933542476]
降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水)
セミモレGANは、4つの重要なモジュールで構成されている: (I) 正確な深度推定を提供する新しい注意深度予測ネットワーク、 (ii) 詳細な画像コンテキスト特徴を生成するためによく設計された詳細残差ブロックで構成されたコンテキスト特徴予測ネットワーク、 (iii) ピラミッド深度誘導非局所ネットワークにより画像コンテキストを深度情報と有効に統合し、最終雨量のない画像を生成する、 (iv) モデルに制限を加えるための包括的な半教師付き損失関数。
論文 参考訳（メタデータ） (2022-04-28T11:35:26Z) - Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via
Unpaired Contrastive Learning [59.22620253308322]
半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。
半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
論文 参考訳（メタデータ） (2022-04-06T12:35:27Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳（メタデータ） (2020-03-24T17:22:37Z)
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。