論文の概要: UAV3DCrop: Benchmarking 3D Reconstruction in Repeated Multi-Angle UAV Crop Surveys

• arxiv url: http://arxiv.org/abs/2608.06404v1
• Date: Mon, 03 Aug 2026 03:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.238006
• Title: UAV3DCrop: Benchmarking 3D Reconstruction in Repeated Multi-Angle UAV Crop Surveys
• Title（参考訳）: UAV3DCrop: 反復型マルチアングルUAVクロップサーベイにおける3次元再構成のベンチマーク
• Abstract要約: UAV3DCrop (UAV3DCrop) は、多角式無人航空機 (UAV) による作物調査のベンチマークである。 88,830枚のRGB画像が5,280×3956ドルピクセルで、トウモロコシ、大豆、小麦、麦の91のシーンから3.6-5.8mmの地中サンプリング距離がある。
• 参考スコア（独自算出の注目度）: 18.115823206583666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D crop monitoring underpins data-driven precision agriculture by enabling field-scale analysis of plant structure, growth dynamics, and management response. Modern 3D reconstruction methods perform strongly on generic benchmarks, but rendered appearance may not translate into metrically and agronomically useful geometry in crop fields. We introduce UAV3DCrop, a public benchmark of repeated multi-angle unmanned aerial vehicle (UAV) crop surveys. It contains 88,830 RGB images at $5280 \times 3956$ pixels, with a ground sampling distance of 3.6-5.8 mm, from 91 scenes spanning corn, soybean, wheat, and oat. Track A evaluates seven scene-optimized methods -- Neural Radiance Field (NeRF) and 3D Gaussian Splatting (3DGS) variants -- on held-out views, photogrammetry-referenced depth, and canopy-height recovery. Track B tests four pretrained feed-forward models on zero-shot camera-pose and geometry estimation. The scene-optimized methods rank differently across the three targets: Splatfacto-big leads appearance, whereas Scaffold-GS leads depth and is statistically tied with Splatfacto for canopy height. Among feed-forward models, MapAnything leads on seven of the eight metrics, while the remaining models vary more across crops and fail severely on absolute scale in a way that alignment conceals. Repeated acquisitions reveal further sensitivities that differ by output type and by model, associated with position within the acquisition sequence and with tie-point multiplicity. Current 3D reconstruction methods are therefore not yet interchangeable for agronomic use: no single method wins on appearance, geometry, and canopy height at once, and only one of four feed-forward models recovers usable metric scale. The dataset is publicly available at https://link-dev.github.io/UAV3DCrop/
• Abstract（参考訳）: 正確な3D作物モニタリングは、植物構造、成長動態、管理応答の大規模解析を可能にすることにより、データ駆動型精密農業を支える。 現代の3D再構成法は、一般的なベンチマークで強く機能するが、レンダリングされた外観は、作物畑における計量的および農業学的に有用な幾何学に変換されない。 UAV3DCropは、多角無人航空機(UAV)の農作物調査のベンチマークである。 面積は3.6-5.8mmで、トウモロコシ、大豆、小麦、麦など91のシーンから88,830枚のRGB画像が5,280円の3956ドルピクセルで撮影されている。 Track Aは7つのシーン最適化手法(Neural Radiance Field(NeRF)と3D Gaussian Splatting(3DGS))を評価している。 トラックBは、ゼロショットカメラ配置と幾何推定の4つの事前訓練されたフィードフォワードモデルをテストする。 Splatfacto-big lead appearance, while Scaffold-GS leads depth, and statistically bound with Splatfacto for canopy height。 フィードフォワードモデルの中で、MapAnythingは8つの指標のうち7つを導いている。 繰り返し取得すると、取得シーケンス内の位置とタイポイント乗法に関連する出力タイプとモデルによって異なるさらなる感度が明らかになる。 したがって、現在の3D再構成法はまだ農業用と互換性がなく、外観、幾何学、天蓋の高さに一度に1つの方法が勝つことはなく、4つのフィードフォワードモデルのうちの1つだけが使用可能なメートル法を回復する。 データセットはhttps://link-dev.github.io/UAV3DCrop/で公開されている。

関連論文リスト

• ReefMapGS: Enabling Large-Scale Underwater Reconstruction by Closing the Loop Between Multimodal SLAM and Gaussian Splatting [9.554102334590365]
  本稿では,3DGSをベースとした逐次再構築フレームワークReefMapGSを提案する。 複雑な地形を持つ2つの海底礁のCOLMAPフリーな3次元再構築と,700m以上の調査軌道上でのAUVのより正確なグローバルなポーズ推定について述べる。
  論文  参考訳（メタデータ） (2026-04-13T19:32:53Z)
• Beyond 'Templates': Category-Agnostic Object Pose, Size, and Shape Estimation from a Single View [69.6117755984012]
  物体の6Dポーズ、サイズ、形状を視覚入力から推定することは、コンピュータビジョンの基本的な問題である。 一つのRGB-D画像から6次元のポーズ,サイズ,密な形状を同時に予測する統合されたカテゴリ非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-13T17:49:15Z)
• MapAnything: Universal Feed-Forward Metric 3D Reconstruction [63.79151976126576]
  MapAnythingは1つ以上の画像を取り込み、カメラの内在性、ポーズ、深さ、部分的な再構築など、任意の幾何学的入力を行う。 そして、メーター3Dシーンの幾何学とカメラを直接補強する。 MapAnythingは、単一のフィードフォワードパスで幅広い3Dビジョンタスクに対処する。
  論文  参考訳（メタデータ） (2025-09-16T18:00:14Z)
• Deep Supervised LSTM for 3D morphology estimation from Multi-View RGB Images of Wheat Spikes [0.0]
  二次元RGB画像から形態特性を推定することは固有の課題を示す。 本稿では,2次元画像の体積推定のためのニューラルネットワーク手法を提案する。 本モデルでは,6次元室内画像において平均絶対パーセンテージ誤差(MAPE)が6.46%に達する。
  論文  参考訳（メタデータ） (2025-06-22T15:02:18Z)
• E3D-Bench: A Benchmark for End-to-End 3D Geometric Foundation Models [78.1674905950243]
  3次元幾何学基礎モデル(GFM)の総合ベンチマークを初めて提示する。 GFMは、単一のフィードフォワードパスで密度の高い3D表現を直接予測し、スローまたは未使用のカメラパラメータを不要にする。 我々は16の最先端GFMを評価し、タスクやドメイン間の長所と短所を明らかにした。 すべてのコード、評価スクリプト、処理されたデータは公開され、3D空間インテリジェンスの研究が加速される。
  論文  参考訳（メタデータ） (2025-06-02T17:53:09Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)
• LFM-3D: Learnable Feature Matching Across Wide Baselines Using 3D Signals [9.201550006194994]
  学習可能なマーカは、画像ペア間のコビジュアビリティの小さな領域だけが存在する場合、しばしば性能が低下する。 グラフニューラルネットワークに基づくモデルを用いた学習可能な特徴マッチングフレームワーク LFM-3D を提案する。 その結果,画像対の相対的ポーズ精度が向上し,画像対の相対的ポーズ精度が向上することがわかった。
  論文  参考訳（メタデータ） (2023-03-22T17:46:27Z)
• Towards 3D Scene Reconstruction from Locally Scale-Aligned Monocular Video Depth [90.33296913575818]
  映像深度推定や映像からの3次元シーン再構成のようなビデオベースのシナリオでは、フレームごとの予測における未知のスケールとシフトが深度の不整合を引き起こす可能性がある。 局所重み付き線形回帰法を提案する。 提案手法は,複数のゼロショットベンチマークにおいて,既存の最先端手法の性能を50%向上させることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:52:54Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Height estimation from single aerial images using a deep ordinal regression network [12.991266182762597]
  単体画像からの高度推定の曖昧で未解決な問題に対処する。 深層学習、特に深層畳み込みニューラルネットワーク(CNN)の成功により、いくつかの研究は、単一の空中画像から高さ情報を推定することを提案した。 本稿では,高さ値を間隔増加間隔に分割し,回帰問題を順序回帰問題に変換することを提案する。
  論文  参考訳（メタデータ） (2020-06-04T12:03:51Z)

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。