論文の概要: BenthicFlow: Generating Extensible Underwater Environments via Flow Matching
- arxiv url: http://arxiv.org/abs/2608.23173v1
- Date: Mon, 24 Aug 2026 12:21:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.05286
- Title: BenthicFlow: Generating Extensible Underwater Environments via Flow Matching
- Title（参考訳）: BenthicFlow:フローマッチングによる拡張可能な水中環境の生成
- Abstract要約: 本稿では,一貫したテクスチャと深度マップを共同生成する単一条件フローマッチングモデルに基づく統合フレームワークであるBenthicFlowを紹介する。
地理的に異なる調査現場での実験では、ベンシックフローは、コヒーレントで大規模な3Dシーンを生成しながら、サイト固有の外観を保っている。
- 参考スコア（独自算出の注目度）: 7.287319339936011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer vision applications for 3D scene understanding in underwater environments remain challenging due to the lack of high-quality 3D data and the inability of surface-trained models to generalize to underwater scenes. To address this challenge, an emerging trend is to employ generative models to close the data domain gap. However, existing methods assemble large scenes by stitching independently generated tiles post hoc with separately trained models, while demonstrating heterogeneous landscapes only within individual survey sites. We introduce BenthicFlow, a unified framework based on a single conditional flow-matching model that jointly generates aligned textures and depth maps. A MultiDiffusion-inspired sampling procedure reconciles overlapping windows throughout the generative trajectory, enabling spatially extensible RGBD mosaics without a separate stitching model. The generated mosaics are subsequently lifted into explicit 3D benthic environments using surface-aligned Gaussian surfels. Experiments across geographically distinct survey sites demonstrate that BenthicFlow preserves site-specific appearance while generating coherent, large-scale 3D scenes that closely match the target distributions. Code and trained models are available at https://github.com/jacomof/BenthicFlow.
- Abstract（参考訳）: 水中環境における3Dシーン理解のためのコンピュータビジョンの応用は、高品質な3Dデータの欠如と、水中シーンに一般化するための表面学習モデルの欠如により、依然として困難である。
この課題に対処するため、データ領域のギャップを埋めるために生成モデルを採用する、という新たなトレンドが浮かび上がっている。
しかし、既存の方法では、個別に訓練されたモデルで個別に生成されたタイルをホック後に縫い付け、また個々の調査現場でのみ異質な風景を見せることで、大きなシーンを組み立てている。
本稿では,一貫したテクスチャと深度マップを共同生成する単一条件フローマッチングモデルに基づく統合フレームワークであるBenthicFlowを紹介する。
多重拡散インスパイアされたサンプリング手順は、生成軌道全体にわたって重なり合う窓を調整し、別個の縫合モデルなしで空間的に拡張可能なRGBDモザイクを可能にする。
生成されたモザイクはその後、表面整列したガウス波を用いて、明示的な3次元ベントック環境に持ち上げられる。
地理的に異なる調査現場での実験では、BenthicFlowは、ターゲットの分布と密に一致したコヒーレントで大規模な3Dシーンを生成しながら、サイト固有の外観を保っている。
コードとトレーニングされたモデルはhttps://github.com/jacomof/BenthicFlow.comで入手できる。
関連論文リスト
- WorldFlow3D: Flowing Through 3D Distributions for Unbounded World Generation [33.369156362316055]
コンピュータビジョン、グラフィックス、ロボット工学におけるシーンモデリングの基本的なタスクとして、無制限の3Dワールドジェネレーションが登場しつつある。
本研究では,非有界な3次元世界を生成する新手法 WorldFlow3D を提案する。
論文 参考訳（メタデータ） (2026-03-31T00:08:17Z) - MeSS: City Mesh-Guided Outdoor Scene Generation with Cross-View Consistent Diffusion [45.67028461223564]
メッシュモデルは、多くの都市で利用できるようになったが、現実的なテクスチャの欠如により、仮想都市ナビゲーションや自動運転への応用は制限されている。
本稿では,都市メッシュモデルを用いた高品質でスタイル整合な屋外シーンを生成するためのSplat MeSS(Meshbased Scene Synthesis)を提案する。
論文 参考訳（メタデータ） (2025-08-21T02:16:15Z) - 3D Shape Tokenization via Latent Flow Matching [38.28217561449967]
我々は3次元曲面を3次元の確率密度関数、すなわちp(x,y,z)をフローマッチングでモデル化する潜在3次元表現を導入する。
私たちの表現は、特に機械学習モデルによる消費のために設計されており、ポイントクラウドと最小限のデータ前処理を必要としながら、構築による連続性とコンパクト性を提供します。
論文 参考訳（メタデータ） (2024-12-20T07:22:41Z) - Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。
本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
論文 参考訳（メタデータ） (2024-06-12T14:56:56Z) - Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
提案するMiDiffusionは,可塑性3次元屋内シーンを合成するための混合離散連続拡散モデルである。
床条件の3次元シーン合成において,最先端の自己回帰モデルおよび拡散モデルより優れることを示す。
論文 参考訳（メタデータ） (2024-05-31T17:54:52Z) - Neural Point Cloud Diffusion for Disentangled 3D Shape and Appearance Generation [29.818827785812086]
コントロール可能な3Dアセットの生成は、映画、ゲーム、エンジニアリングにおけるコンテンツ作成やAR/VRなど、多くの実用的なアプリケーションにとって重要である。
本稿では,3次元拡散モデルに対して,ハイブリッド点雲とニューラル放射場アプローチを導入することで,絡み合いを実現するための適切な表現を提案する。
論文 参考訳（メタデータ） (2023-12-21T18:46:27Z) - Single Mesh Diffusion Models with Field Latents for Texture Generation [18.78126579775479]
本稿では,3次元形状の表面に直接作用する固有潜在拡散モデルを提案する。
私たちは、メッシュ上の特定のテクスチャのバリエーションを生成するために、モデルがトレーニングされる、単一テクスチャ・メシュのパラダイムを考えています。
我々のモデルは、インペイントやラベル誘導生成などのユーザ制御編集タスクにも適応できる。
論文 参考訳（メタデータ） (2023-12-14T18:59:36Z) - Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。
また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2023-11-28T18:56:01Z) - Pyramid Diffusion for Fine 3D Large Scene Generation [56.00726092690535]
拡散モデルは2次元画像と小型3次元オブジェクトの生成において顕著な結果を示した。
大規模な3Dシーンの合成への応用はめったに研究されていない。
本稿では,大規模拡散モデルを用いて,高品質な屋外シーンを段階的に生成するフレームワークであるPraamid Discrete Diffusion Model (PDD)を紹介する。
論文 参考訳（メタデータ） (2023-11-20T11:24:21Z) - Ghost on the Shell: An Expressive Representation of General 3D Shapes [97.76840585617907]
リアルな素材と照明で高速な物理ベースのレンダリングを可能にするので、メッシュは魅力的だ。
近年の3次元形状の再構成と統計的モデリングの研究は、メッシュをトポロジカルに非フレキシブルであると批判している。
我々は水密面上の多様体符号距離場を定義することにより開曲面をパラメータ化する。
G-Shellは、非水密メッシュ再構築および生成タスクにおける最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-10-23T17:59:52Z) - GAUDI: A Neural Architect for Immersive 3D Scene Generation [67.97817314857917]
GAUDIは、動くカメラから没入的にレンダリングできる複雑な3Dシーンの分布をキャプチャできる生成モデルである。
GAUDIは,複数のデータセットにまたがる非条件生成環境において,最先端の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-07-27T19:10:32Z) - Generative Occupancy Fields for 3D Surface-Aware Image Synthesis [123.11969582055382]
GOF(Generative Occupancy Fields)は、生成放射場に基づく新しいモデルである。
GOFは高品質な画像を3D整合性で合成し、コンパクトで滑らかな物体表面を同時に学習することができる。
論文 参考訳（メタデータ） (2021-11-01T14:20:43Z)
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。