論文の概要: Cross-Platform Benchmark of Neural 3D Reconstruction for Autonomous Laboratory Robots

• arxiv url: http://arxiv.org/abs/2608.26383v1
• Date: Wed, 26 Aug 2026 20:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.172172
• Title: Cross-Platform Benchmark of Neural 3D Reconstruction for Autonomous Laboratory Robots
• Title（参考訳）: 自律型実験ロボットにおけるニューラル3次元再構成のクロスプラットフォームベンチマーク
• Abstract要約: 3D再構成パイプラインは、物理制御ループの遅延予算内で、生のカメラストリームを実行可能なオブジェクト表現に変換することができる。 我々は,NeRFと3DガウススプラッティングのトレーニングとレンダリングをGPU対応コンピューティングデバイス上で評価する,ニューラル3D再構成手法の計算プラットフォームベンチマークを提案する。 以上の結果から,ガウススプラッティングはNeRFよりも高いレンダリング品質をGPUコストで達成し,オンボード計算ではインタラクティブレートでのシーンごとの完全な最適化には不十分であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.957742819151154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous robots performing laboratory tasks depend on 3D reconstruction pipelines that can turn raw camera streams into actionable object representations within the latency budget of a physical control loop. Neural 3D reconstruction methods have demonstrated high-quality view synthesis, but their real-time viability across the compute platforms on which laboratory robots actually run remains poorly characterized. In this work, we present a systematic compute-platform benchmark of neural 3D reconstruction methods, evaluating NeRF and 3D Gaussian Splatting training and rendering on GPU-enabled computing devices ranging from single-board computers to server-class nodes, and place Meta's SAM3D single-image reconstruction on the same axes to quantify its latency and fidelity gap relative to per-scene optimization. Our results show that Gaussian Splatting yields higher rendering quality than NeRF at greater GPU cost, and that onboard compute is insufficient for full per-scene optimization at interactive rates. Our preliminary assessment on SAM3D indicates that it delivers plausible object geometry within seconds, but with detail mismatches that can compromise downstream manipulation. Together, these findings motivate tiered pipelines in which lightweight feed-forward reconstruction sustains the real-time perception-and-tracking loop for laboratory robots, while heavier neural reconstruction is scheduled selectively on suitable compute.
• Abstract（参考訳）: 実験室作業を行う自律ロボットは、物理制御ループの遅延予算内で生のカメラストリームを実行可能なオブジェクト表現に変換することができる3D再構成パイプラインに依存している。 ニューラルネットワークによる3D再構成手法は、高品質なビュー合成を実証しているが、実験ロボットが実際に動作している計算プラットフォーム上でのリアルタイムな生存性は、いまだに不十分である。 本研究では,NeRFおよび3D Gaussian Splattingのトレーニングと,シングルボードコンピュータからサーバクラスノードまで,GPU対応コンピューティングデバイス上でのレンダリングを評価し,MetaのSAM3D単一画像再構成を同一軸上に配置することにより,そのレイテンシと忠実度ギャップを,シーンごとの最適化と比較して定量化する。 以上の結果から,ガウススプラッティングはNeRFよりも高いレンダリング品質をGPUコストで達成し,オンボード計算ではインタラクティブレートでのシーンごとの完全な最適化には不十分であることが示唆された。 SAM3Dに関する予備的な評価は、数秒以内に可塑性物体の幾何学を提供するが、下流での操作を損なうような詳細なミスマッチを伴っていることを示している。 これらの知見は,実験室ロボットのリアルタイム認識・追跡ループを軽量なフィードフォワード再構築が維持する結合パイプラインを動機付け,より重いニューラル再構成は適切な計算に基づいて選択的にスケジュールされる。

関連論文リスト

• RORA: Realistic Object Reconstruction with Articulation [10.305820103142269]
  本研究では,1つの静的オブジェクトビデオ入力から正確な調音でシミュレーション可能なアセットを再構築する,最初のエンドツーエンドパイプラインを提案する。 提案手法は,レンダリングのための3DGSと物理インタラクションのためのメッシュベースの幾何学を組み合わせたハイブリッド表現を輸出する。 提案手法は,partnet-mobility-v0データセットと実オブジェクトに対して,正確な調音結果が得られることを示す。
  論文  参考訳（メタデータ） (2026-08-05T13:36:58Z)
• Stipple: Real-Time Incremental Gaussian Splatting with Visual-Inertial Tracking [45.88028371034407]
  本稿では,効率的な視覚慣性追跡システムを活用することで,リアルタイムに追跡と再構築を行う新しい手法を提案する。 3DGSの重い前処理とトレーニングのステップの多くは、より効率的なインクリメンタルトレーニング戦略に置き換えられることが示されています。
  論文  参考訳（メタデータ） (2026-08-02T02:17:05Z)
• Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction [50.5449251266956]
  本稿では,長い映像シーケンスから大規模3Dシーンを再構築する作業について述べる。 近年のフィードフォワード再構成モデルでは,RGB画像からの3次元幾何を,明示的な3次元先行や幾何学的制約なく直接回帰することで,有望な結果を示している。 本稿では,長距離シーン情報を効率よく圧縮し,保持するニューラルグローバルコンテキスト表現を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:59:50Z)
• Robo3R: Enhancing Robotic Manipulation with Accurate Feed-Forward 3D Reconstruction [70.06600045165905]
  3D空間認識は、一般的なロボット操作の基本であるが、信頼性が高く高品質な3D形状の取得は依然として困難である。 本稿では,RGB画像やロボットの状態から直接,正確な距離スケールのシーン形状をリアルタイムで予測する操作可能な3次元再構成モデルであるRobo3Rを紹介する。 我々は、ロボット操作のためのこの代替3Dセンシングモジュールの約束を示唆し、パフォーマンスの連続的な向上を観察する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:15Z)
• Particulate: Feed-Forward 3D Object Articulation [89.78788418174946]
  Particulateは、毎日のオブジェクトの1つの静的3Dメッシュが与えられたフィードフォワードアプローチであり、基盤となる関節構造のすべての属性を直接推論する。 私たちは、公開データセットから多種多様な3Dアセットの集合に基づいて、ネットワークのエンドツーエンドをトレーニングします。 推論中、Particulateはネットワークのフィードフォワード予測を入力メッシュに持ち上げ、完全に調音された3Dモデルを数秒で生成する。
  論文  参考訳（メタデータ） (2025-12-12T18:59:51Z)
• Integrated Pipeline for Monocular 3D Reconstruction and Finite Element Simulation in Industrial Applications [1.3908352231737158]
  本稿では,モノクロ映像,有限要素シミュレーション解析,複合現実視表示に基づく高忠実度3次元再構成を統合した統合ワークフローを提案する。 実験により, 精度を高く保ちながら, シミュレーション効率と可視化効果が良好であることが確認された。
  論文  参考訳（メタデータ） (2025-06-16T14:57:05Z)
• 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)
• 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)
• Sparse 3D Reconstruction via Object-Centric Ray Sampling [20.874406440346462]
  本研究では,360度カメラリグから取得したスパースビューから3次元オブジェクトを復元する新しい手法を提案する。 我々は、校正ベースニューラル表現とトライアングルメッシュの両方を使用するハイブリッドモデルにより、オブジェクトを表現する。 私たちはGoogleのScanned Objects, Tank and Temples, MVMC Carデータセットのスパースなビューで作業しています。
  論文  参考訳（メタデータ） (2023-09-06T13:54:31Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• OcclusionFusion: Occlusion-aware Motion Estimation for Real-time Dynamic 3D Reconstruction [14.130915525776055]
  RGBDに基づくリアルタイム動的3次元再構成は、フレーム間運動推定の不正確さに悩まされる。 オクルージョンフュージョン(OcclusionFusion, OcclusionFusion)は、オクルージョンを意識した3次元運動を計算し、再構成を誘導する手法である。 本手法は,既存の単一ビューベースリアルタイム手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-03-15T15:09:01Z)
• Amodal 3D Reconstruction for Robotic Manipulation via Stability and Connectivity [3.359622001455893]
  学習に基づく3Dオブジェクト再構成により、3Dオブジェクトモデルの単一または少数ショット推定が可能となる。 既存の3D再構成技術は、通常、シャムファー距離またはボクセルIOUによって測定される視覚的再構成忠実度を最適化する。 本稿では,オブジェクト形状よりも先に安定性を導入するアモーダル3D再構成システムARMと,接続前の接続,マルチチャネル入力表現を提案する。
  論文  参考訳（メタデータ） (2020-09-28T08:52:54Z)

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。