論文の概要: AquaFlow: A Monocular Gaussian Splatting SLAM for Underwater Streaming Reconstruction
- arxiv url: http://arxiv.org/abs/2608.22906v1
- Date: Mon, 24 Aug 2026 07:39:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.952356
- Title: AquaFlow: A Monocular Gaussian Splatting SLAM for Underwater Streaming Reconstruction
- Title（参考訳）: AquaFlow:水中ストリーミングリコンストラクションのための単分子ガウス平滑化SLAM
- Abstract要約: 高速かつ高忠実な水中再構成のためのストリーミング再構成フレームワークであるAquaFlowを提案する。
我々は、ロバストポーズとポイントマップ推定のための大規模水中データに基づく3次元視覚基盤モデルを微調整する。
我々は、構造化された距離条件のニューラルガウスと物理に着想を得た光学モデルを統合する、ストリーミング互換なハイブリッドシーン表現を開発する。
- 参考スコア（独自算出の注目度）: 14.336895166294623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent monocular 3D Gaussian Splatting (3DGS) streaming reconstruction methods have achieved impressive performance by balancing reconstruction quality and efficiency. However, extending these frameworks to underwater scenes remains challenging due to severe visual degradation, such as light attenuation and scattering, which degrades camera pose tracking and distorts scene geometry. To address these challenges, we propose AquaFlow, a monocular Gaussian Splatting streaming reconstruction framework for efficient and high-fidelity underwater reconstruction. Specifically, AquaFlow fine-tunes a 3D vision foundation model on large-scale underwater data for robust pose and pointmap estimation, and introduces a medium-guided incremental Gaussian initialization strategy for streaming mapping. Furthermore, we develop a streaming-compatible hybrid scene representation that integrates structured, distance-conditioned neural Gaussians with a physics-inspired optical model to compensate for underwater image formation effects, enabling accurate scene reconstruction. We evaluate AquaFlow on a comprehensive dataset of 62 diverse underwater trajectories, collected from both public benchmarks and in-the-wild web videos across various scales. Extensive experiments demonstrate that AquaFlow achieves state-of-the-art tracking and rendering performance, reducing average localization error by 13.2% and improving PSNR by 4.74 dB compared to WaterSplat-SLAM.
- Abstract（参考訳）: 最近のモノクラー3Dガウススプラッティング(3DGS)ストリーミング再構成法は, 再生品質と効率のバランスをとることで, 優れた性能を実現している。
しかし、これらの枠組みを水中のシーンに拡張することは、光の減衰や散乱などの深刻な視覚的劣化のために依然として困難であり、カメラのポーズトラッキングを低下させ、シーンの地形を歪ませる。
これらの課題に対処するために,効率よく高忠実な水中再構成のための単分子ガウス平滑化ストリーミング再構成フレームワークであるAquaFlowを提案する。
特に、AquaFlowは、ロバストポーズとポイントマップ推定のための大規模水中データに基づく3次元視覚基盤モデルを微調整し、ストリーミングマッピングのための中誘導インクリメンタルガウス初期化戦略を導入する。
さらに,構成された距離条件のニューラルガウシアンと物理に着想を得た光学モデルを統合し,水中画像形成効果を補償し,正確なシーン再構成を可能にする,ストリーミング互換なハイブリッドシーン表現を開発した。
我々はAquaFlowを62種類の水中軌跡の包括的データセットで評価し、様々なスケールで公開ベンチマークとブラウザ内Webビデオから収集した。
大規模な実験により、AquaFlowは最先端のトラッキングとレンダリングのパフォーマンスを達成し、平均的なローカライゼーション誤差を13.2%削減し、そして、WaterSplat-SLAMと比較してPSNRを4.74dB改善した。
関連論文リスト
- WAT3R: Feedforward Underwater 3D Reconstruction [33.441820956688396]
WAT3Rは水中画像から直接3Dシーンを再構築するためのフィードフォワードフレームワークである。
幾何学的制約のあるプロセスとして適応を活用することで、WAT3Rは軽量なニューラルネットワーク適応モジュールを統合する。
WAT3Rは3次元再構成作業における最先端の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-07-23T08:07:43Z) - Wat3R: Underwater 3D Geometry Learning without Annotations [58.91163632674025]
水中環境における3D形状の推定は、光の減衰、散乱、大規模で高品質な3Dアノテーションの欠如による固有の課題を示す。
本稿では,空中から水中へのフィードフォワード3D再構成モデルの適用を目的とした,クロスドメイン半教師付き学習フレームワークWat3Rを提案する。
論文 参考訳（メタデータ） (2026-07-09T17:59:58Z) - Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。
DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
論文 参考訳（メタデータ） (2026-07-02T07:48:06Z) - BALTIC: A Benchmark and Cross-Domain Strategy for 3D Reconstruction Across Air and Underwater Domains Under Varying Illumination [6.8920172327690175]
BALTIC(Baltic, BALTIC, BALTIC)は, 近代的な3次元再構成手法を中・光の変動下で評価するためのベンチマークである。
このベンチマークは、2つのメディア(空気と水)と3つの照明条件(周囲、人工、混合)にまたがる13のデータセットで構成されている。
類似の照明条件下で観測された少数の水中ビューで水中画像列を増大させることにより、ドメイン間再構築を検討する。
論文 参考訳（メタデータ） (2026-04-21T06:32:07Z) - Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions [52.04969451806431]
正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。
提案手法は、7つの評価指標にまたがって最先端の性能を実現する。
多様な環境条件下でUCIQEのスコアを29.7%改善する。
論文 参考訳（メタデータ） (2026-03-17T10:51:00Z) - Enhancing Underwater Light Field Images via Global Geometry-aware Diffusion Process [93.00033672476206]
GeoDiff-LFは、SD-Turbo上に構築された新しい拡散ベースのフレームワークで、水中4次元LFイメージングを強化する。
拡散先行とLF幾何を統合することにより、GeoDiff-LFは水中のシーンにおける色歪みを効果的に緩和する。
論文 参考訳（メタデータ） (2026-01-29T02:27:22Z) - 3D-UIR: 3D Gaussian for Underwater 3D Scene Reconstruction via Physics Based Appearance-Medium Decoupling [30.985414238960466]
3D Gaussian Splatting (3DGS)はリアルタイムレンダリング機能を提供するが、水中の不均一な環境に苦しむ。
水媒体効果から物体の外観を遠ざける物理ベースの枠組みを提案する。
提案手法は,高品質な新規ビュー合成と物理的に正確なシーン復元を実現する。
論文 参考訳（メタデータ） (2025-05-27T14:19:30Z) - RUSplatting: Robust 3D Gaussian Splatting for Sparse-View Underwater Scene Reconstruction [9.070464075411472]
本稿では,水中深部レンダリングの視覚的品質と精度を両立させる,ガウススプラッティングに基づくフレームワークを提案する。
水中減衰の物理によって導かれるRGBチャネルの分離学習を提案し,より正確な色復元を実現する。
新たに収集されたデータセットであるSubmerged3Dは、特に深海環境においてキャプチャされる。
論文 参考訳（メタデータ） (2025-05-21T16:42:15Z) - AquaGS: Fast Underwater Scene Reconstruction with SfM-Free Gaussian Splatting [4.0317256978754505]
本研究では,SeaThruアルゴリズムに基づくSfMのない水中シーン再構築モデルであるAquaGSを紹介する。
本モデルでは,画像入力をわずか3秒で30秒で高精度に再現できる。
論文 参考訳（メタデータ） (2025-05-03T12:05:57Z) - Deblur Gaussian Splatting SLAM [57.35366732452066]
Deblur-SLAMは、モーションブルーの入力から鋭い復元を回復するために設計された堅牢なRGB SLAMパイプラインである。
我々は、動きブル画像の物理画像形成過程をモデル化し、観察されたぼやけた画像とぼやけた画像との誤差を最小化する。
我々は,合成および実世界のぼやけた入力データを用いて,シャープマップ推定とサブフレームトラジェクトリ回復のための最先端結果を得る。
論文 参考訳（メタデータ） (2025-03-16T16:59:51Z) - UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-10T16:33:56Z)
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。