論文の概要: ERF-GS: Reconstructing Fast Motion from Disjoint Event-RGB Viewpoints
- arxiv url: http://arxiv.org/abs/2608.08531v1
- Date: Sun, 09 Aug 2026 07:00:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.861809
- Title: ERF-GS: Reconstructing Fast Motion from Disjoint Event-RGB Viewpoints
- Title（参考訳）: ERF-GS: Disjoint Event-RGB ビューポイントからの高速動作の再構築
- Abstract要約: Event-RGB fusion Gaussian splatting (ERF-GS) フレームワークは、イベント情報を最適化と密度化の両方の段階に統合する。
ERF-GSはリアルなシミュレーション設定を用いて開発され、RGB入力から切り離されたイベントベースの学習を実現する。
ERF-GSは,Neu3DデータセットとNvidiaデータセットの異なるバリエーションにおいて,4DGSベースラインと同時E-D3DGSの両方より優れていることを示す。
- 参考スコア（独自算出の注目度）: 37.08264457707477
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning-driven representations such as neural radiance fields (NeRFs) and 3D Gaussian splatting (3DGS) have revolutionized the field of dynamic 3D scene reconstruction with improved visual precision and scalability. However, the reconstruction of fast-moving objects remains a challenge; existing methods based on conventional frame-based videos often struggle in scenarios such as sports events and animal videography. We propose an event-RGB fusion Gaussian splatting (ERF-GS) framework that integrates event information into both optimization and densification stages of the Gaussian splatting pipeline, taking advantage of novel event sensors with high frame-rate. Unlike many other event-assisted scene reconstruction methods, ERF-GS was developed using realistic simulation settings and realizes event-based learning detached from RGB inputs. This design enables its application beyond straightforward synthetic data into the realm of natural video with complex layout, low frame rates and severe motion blur. Our experiments show that ERF-GS outperforms both the 4DGS baseline and the concurrent E-D3DGS on different variants of the Neu3D and Nvidia datasets which include blurry RGB frames and disjoint RGB-event viewpoints. Our code is available at https://github.com/andrewbxy/ERF-GS.
- Abstract（参考訳）: ニューラルレイディアンス場(NeRF)や3Dガウススプラッティング(3DGS)のような深層学習による表現は、視覚的精度とスケーラビリティを改善して動的3Dシーン再構築の分野に革命をもたらした。
従来のフレームベースビデオに基づく既存の手法は,スポーツイベントや動物ビデオ撮影といったシナリオでしばしば苦労する。
本稿では,高フレームレートの新規イベントセンサを利用して,ガウス分割パイプラインの最適化および密度化段階にイベント情報を統合するイベント-RGB融合ガウス分割(ERF-GS)フレームワークを提案する。
他の多くのイベント支援シーン再構築手法とは異なり、現実的なシミュレーション設定を用いてRF-GSを開発し、RGB入力から切り離されたイベントベースの学習を実現する。
この設計により、簡単な合成データを複雑なレイアウト、フレームレートの低さ、激しい動きのぼけのある自然ビデオの領域に応用することができる。
実験の結果、RF-GSは4DGSベースラインと、Neu3DとNvidiaのデータセットの異なる変種において、RGBフレームのぼやけたRGB-eventの視点を含む同時E-D3DGSよりも優れていることがわかった。
私たちのコードはhttps://github.com/andrewbxy/ERF-GS.orgで公開されています。
関連論文リスト
- UniRED: Unified RGB-D Video Frame Interpolation with Event Guidance [19.80142530142947]
高フレームレートのRGB-Dビデオは、モーション分析、動的シーン理解、3D再構成など、さまざまな下流タスクに不可欠である。
既存のビデオ手法は、RGBデータに対して高い性能を達成しているが、RGB-Dシナリオには適用できない。
本稿では,RGBの外観,深度幾何学,イベントベースの時間的手がかりを併用したRGB-Dビデオ用統合マルチモーダルフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-23T08:03:58Z) - AsyncEvGS: Asynchronous Event-Assisted Gaussian Splatting for Handheld Motion-Blurred Scenes [30.960288956042163]
フレキシブルで高解像度の非同期RGB-Eventデュアルカメラシステムとそれに対応する再構成フレームワークを導入する。
我々は、従来のイベント損失の不正な振る舞いを軽減するために、構造駆動のイベント損失とビュー固有の一貫性レギュレータを使用します。
実験により,本手法は,課題のあるデータセットと既存のベンチマークの両方において,最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2026-05-08T03:39:45Z) - DEGS: Deformable Event-based 3D Gaussian Splatting from RGB and Event Stream [46.467919920459536]
本稿では2つのモードから動的3DGSを協調的に最適化する新しいフレームワークを提案する。
鍵となる考え方は、変形場の最適化を導くために、イベント・モーション・プレファレンスを採用することである。
提案手法は,合成シーンと実シーンをまたいだ既存の画像およびイベントベースアプローチより優れる。
論文 参考訳（メタデータ） (2025-10-09T03:43:27Z) - Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。
しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。
動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
論文 参考訳（メタデータ） (2025-06-09T16:30:48Z) - GS2E: Gaussian Splatting is an Effective Data Generator for Event Stream Generation [32.13436507983477]
高忠実度イベントビジョンタスクのための大規模合成イベントデータセットであるGS2E(Gaussian Splatting to Event)を紹介する。
イベントベース3次元再構成の結果は、GS2Eの優れた一般化能力と実用的価値を示している。
論文 参考訳（メタデータ） (2025-05-21T09:15:42Z) - EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。
本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
論文 参考訳（メタデータ） (2025-03-26T02:47:27Z) - E-3DGS: Gaussian Splatting with Exposure and Motion Events [29.042018288378447]
E-3DGSは、イベントベースの3D再構築のための新しいベンチマークを、困難な状況下で堅牢なパフォーマンスで設定する。
EME-3Dは、露光イベント、モーションイベント、カメラキャリブレーションパラメータ、スパースポイントクラウドを備えた実世界の3Dデータセットである。
論文 参考訳（メタデータ） (2024-10-22T13:17:20Z) - EF-3DGS: Event-Aided Free-Trajectory 3D Gaussian Splatting [87.1077910795879]
生物学的ビジョンにインスパイアされたイベントカメラは、時間分解能の高い画素の強度を非同期に記録する。
本稿では,イベントカメラの利点を3DGSにシームレスに統合するイベント支援フリートラジェクトリ3DGSを提案する。
提案手法を,パブリックタンクとテンプルのベンチマークと,新たに収集した実世界のデータセットであるRealEv-DAVISで評価した。
論文 参考訳（メタデータ） (2024-10-20T13:44:24Z) - Elite-EvGS: Learning Event-based 3D Gaussian Splatting by Distilling Event-to-Video Priors [8.93657924734248]
イベントカメラは、固定フレームではなく、非同期でスパースなイベントストリームを出力するバイオインスパイアされたセンサーである。
イベントベースの新しい3DGSフレームワークであるElite-EvGSを提案する。
私たちのキーとなるアイデアは、既成のイベント・ツー・ビデオ(E2V)モデルから事前の知識を抽出して、イベントから3Dシーンを効果的に再構築することです。
論文 参考訳（メタデータ） (2024-09-20T10:47:52Z) - WildGaussians: 3D Gaussian Splatting in the Wild [80.5209105383932]
3DGSによる閉塞や外見の変化に対処する新しいアプローチであるWildGaussiansを紹介した。
我々はWildGaussianが3DGSとNeRFのベースラインを越えながら3DGSのリアルタイムレンダリング速度と一致していることを示す。
論文 参考訳（メタデータ） (2024-07-11T12:41:32Z) - Event3DGS: Event-Based 3D Gaussian Splatting for High-Speed Robot Egomotion [54.197343533492486]
Event3DGSは高速移動下で高忠実度3D構造と外観を再構築することができる。
複数の合成および実世界のデータセットの実験は、既存のイベントベースの高密度な3Dシーン再構築フレームワークと比較して、Event3DGSの優位性を示している。
また, 構造的精度を損なうことなく, 外観の忠実度をより高められるように, フレームベースで数回の動特性測定を再構成プロセスに組み込むことも可能である。
論文 参考訳（メタデータ） (2024-06-05T06:06:03Z)
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。