論文の概要: HistReNeRF: Historic Image Relocalisation within Contemporary Neural Radiance Field Reconstructions
- arxiv url: http://arxiv.org/abs/2608.15420v1
- Date: Sat, 15 Aug 2026 21:40:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.294831
- Title: HistReNeRF: Historic Image Relocalisation within Contemporary Neural Radiance Field Reconstructions
- Title（参考訳）: HistReNeRF : 現代脳波野再建術における画像再構成
- Abstract要約: HistReNeRFは、歴史的写真の6-DoFのポーズを、適応されたDINOv2パッチの特徴に合わせて推定するフレームワークである。
我々は,新しい時間的データセット上での画素空間法に対する埋め込み空間に基づくドメイン適応の評価を行った。
- 参考スコア（独自算出の注目度）: 3.7333354131478056
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Relocalising archival photographs within a contemporary scene model is challenging because historic and modern views can differ in photographic appearance, visible objects, and spatial layout. Therefore, we present HistReNeRF, a framework that estimates the 6-DoF pose of a historic photograph by matching adapted DINOv2 patch features to candidate rays sampled from a contemporary Neural Radiance Field (NeRF) reconstruction. The continuous representation of a NeRF provides a queryable scene interface from which candidate rays can be sampled and matched, enabling domain adaptation between historic photography and contemporary images directly in the feature representation used for localisation. We evaluate embedding-space-based domain adaptation against pixel-space methods on a new cross-temporal dataset comprising 10,545 contemporary street-level images and 230 archival photographs from three European landmarks. Embedding-space adaptation reduces translation and rotation errors by an average of 11% and 16%, respectively, across the three scenes. These results show that neural scene relocalisation provides a natural interface for feature-space adaptation, reducing cross-temporal appearance shift without modifying the query image. Code and dataset at https://github.com/ARTUROLab/HistReNeRF.
- Abstract（参考訳）: 歴史的・近代的な視点は、写真的外観、可視的物体、空間的レイアウトにおいて異なる可能性があるため、現代のシーンモデル内でのアーカイブ写真の再局在は困難である。
そこで,同時代のニューラルラジアンスフィールド(NeRF)再構成から採取した候補線に適応したDINOv2パッチの特徴を合わせることで,歴史的写真の6-DoFポーズを推定するフレームワークHistReNeRFを提案する。
NeRFの連続表現は、候補線をサンプリングしてマッチングできるクエリ可能なシーンインタフェースを提供し、ローカライゼーションに使用される特徴表現において、歴史的写真と現代画像のドメイン適応を可能にする。
我々は,3つの欧州のランドマークから10,545の現代ストリートレベルの画像と230のアーカイブ写真からなる新しい時間的データセット上で,画素空間法に対する埋め込み空間ベースのドメイン適応を評価した。
埋め込み空間適応は、3つのシーンでそれぞれ平均11%と16%の翻訳誤差と回転誤差を減少させる。
これらの結果から,ニューラルシーン再ローカライゼーションは特徴空間適応のための自然なインタフェースを提供し,クエリ画像を変更することなく時間的外見シフトを減少させることを示した。
コードとデータセットはhttps://github.com/ARTUROLab/HistReNeRF。
関連論文リスト
- Puzzle Similarity: A Perceptually-guided Cross-Reference Metric for Artifact Detection in 3D Scene Reconstructions [6.735527828654709]
新規な視点でアーティファクトをローカライズするための新しいクロスリファレンス指標であるPuzzle similarityを提案する。
提案手法は,人的評価に関連し,新しい視点における工芸品の最先端のローカライゼーションを実現する。
我々は新しいメトリクスを活用して、画像の自動復元、ガイド付き取得、スパース入力からの3D再構成などの応用を強化することができる。
論文 参考訳（メタデータ） (2024-11-26T14:57:30Z) - ReconFusion: 3D Reconstruction with Diffusion Priors [104.73604630145847]
本稿では,数枚の写真を用いて現実のシーンを再構成するReconFusionを提案する。
提案手法は,合成および多視点データセットに基づいて訓練された新規なビュー合成に先立って拡散を利用する。
本手法は,観測領域の外観を保ちながら,非拘束領域における現実的な幾何学とテクスチャを合成する。
論文 参考訳（メタデータ） (2023-12-05T18:59:58Z) - Locally Stylized Neural Radiance Fields [30.037649804991315]
局所的なスタイル伝達に基づくニューラルレイディアンスフィールド(NeRF)のスタイリングフレームワークを提案する。
特に、ハッシュグリッド符号化を用いて外観や幾何学的要素の埋め込みを学習する。
提案手法は, 新規なビュー合成により, 可視なスタイリゼーション結果が得られることを示す。
論文 参考訳（メタデータ） (2023-09-19T15:08:10Z) - Neural Scene Chronology [79.51094408119148]
我々は、視点、照明、時間の独立した制御で写真リアルなレンダリングをレンダリングできる、時間変化の3Dモデルを再構築することを目指している。
本研究では,画像ごとの照明を埋め込んだ時空間放射場として,時間的に変化するシーン変化を学習ステップ関数のセットを用いて符号化する。
論文 参考訳（メタデータ） (2023-06-13T17:59:58Z) - SurfelNeRF: Neural Surfel Radiance Fields for Online Photorealistic
Reconstruction of Indoor Scenes [17.711755550841385]
SLAMに基づく手法は、3Dシーンの形状をリアルタイムで段階的に再構成することができるが、フォトリアリスティックな結果を描画することはできない。
NeRFベースの手法は、将来有望な新しいビュー合成結果を生成し、その長いオフライン最適化時間と幾何的制約の欠如は、オンライン入力を効率的に処理する上での課題となる。
本稿では、フレキシブルでスケーラブルなニューラルサーベイル表現を用いて、入力画像から幾何学的属性と外観特徴を抽出するSurfelNeRFを紹介する。
論文 参考訳（メタデータ） (2023-04-18T13:11:49Z) - Enhancement of Novel View Synthesis Using Omnidirectional Image
Completion [61.78187618370681]
ニューラルレイディアンス場(NeRF)に基づく1枚の360度RGB-D画像から新しいビューを合成する方法を提案する。
実験により,提案手法は実世界と実世界の両方でシーンの特徴を保ちながら,可塑性な新規なビューを合成できることが実証された。
論文 参考訳（メタデータ） (2022-03-18T13:49:25Z) - Urban Radiance Fields [77.43604458481637]
本研究では,都市屋外環境における世界地図作成によく利用されるスキャニングプラットフォームによって収集されたデータから3次元再構成と新しいビュー合成を行う。
提案手法は、制御された環境下での小さなシーンのための現実的な新しい画像の合成を実証したニューラルラジアンス場を拡張している。
これら3つのエクステンションはそれぞれ、ストリートビューデータの実験において、大幅なパフォーマンス改善を提供する。
論文 参考訳（メタデータ） (2021-11-29T15:58:16Z) - BARF: Bundle-Adjusting Neural Radiance Fields [104.97810696435766]
不完全なカメラポーズからNeRFを訓練するためのバンドル調整ニューラルラジアンスフィールド(BARF)を提案します。
BARFは、ニューラルネットワークシーンの表現を効果的に最適化し、大きなカメラのポーズミスを同時に解決する。
これにより、未知のカメラポーズからの映像シーケンスのビュー合成とローカライズが可能になり、視覚ローカライズシステムのための新しい道を開くことができる。
論文 参考訳（メタデータ） (2021-04-13T17:59:51Z) - D-NeRF: Neural Radiance Fields for Dynamic Scenes [72.75686949608624]
そこで我々は,D-NeRF(D-NeRF)を動的領域に拡張する手法を提案する。
D-NeRFは、周囲を動き回るカメラから、剛体で非剛体な動きの下で物体のイメージを再構成する。
我々は,剛体・調音・非剛体動作下での物体のシーンに対するアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-11-27T19:06:50Z) - NeRF in the Wild: Neural Radiance Fields for Unconstrained Photo
Collections [47.9463405062868]
本研究では,非構造化画像のみを用いて,複雑なシーンの新たなビューを合成する学習的手法を提案する。
我々は、多層パーセプトロンの重みを利用して、シーンの密度と色を3次元座標の関数としてモデル化するニューラルレージアンス場(NeRF)を構築した。
我々はこれらの問題に対処するために、NeRFの一連の拡張を導入し、インターネットから取得した非構造化画像からの正確な再構築を可能にする。
論文 参考訳（メタデータ） (2020-08-05T17:51:16Z)
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。