論文の概要: Comparative Evaluation of 3D Reconstruction Methods for Immersive Visualization of Laboratory Objects

• arxiv url: http://arxiv.org/abs/2608.27301v1
• Date: Thu, 27 Aug 2026 16:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.482133
• Title: Comparative Evaluation of 3D Reconstruction Methods for Immersive Visualization of Laboratory Objects
• Title（参考訳）: 実験室物体の入射可視化のための3次元再構成法の比較評価
• Abstract要約: 実験室オブジェクトのリアルなホログラム表現作成を支援するために, 現状の3次元再構成手法が有効かどうかを検討した。 我々は、フォトグラム法、ニューラル放射場(NeRF)法、ガウススプラッティング法、LiDARの4つのアプローチを比較した。 オブジェクト全体にわたって、NeRFベースの手法は最も一貫した高忠実度表現を生み出した。
• 参考スコア（独自算出の注目度）: 0.7241250079741012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we examined whether current 3D reconstruction methods can support the creation of realistic holographic representations of laboratory objects for educational use. In this regard, we compared four approaches: photogrammetry, a neural radiance field (NeRF)-based method, Gaussian splatting, and LiDAR. These methods were used to generate holographic models of common laboratory items and their fidelity was evaluated by graduate students. Participants assessed the models for shape, color, texture, and visual defects using a repeated-measures design. Across objects, the NeRF-based method produced the most consistently high-fidelity representations, particularly for transparent, reflective, or low-texture items that were difficult to capture with other approaches. Shape and color were generally reproduced more successfully than texture, suggesting that some visual properties remain more challenging to represent accurately in educational holograms. Beyond identifying the strengths and limitations of each reconstruction method, the study demonstrates a practical workflow for creating immersive learning objects that may support pre-laboratory preparation, spatial reasoning, and student engagement in AR/MR-based educational environments. These findings offer design-relevant insights for educators and researchers developing immersive digital learning experiences.
• Abstract（参考訳）: 本研究では,現在の3次元再構成手法が,実験室のホログラム表現を現実的に作成する上で有効かどうかを検討した。 本研究では, フォトグラム法, ニューラル放射場(NeRF)法, ガウススプラッティング法, LiDARの4つの手法を比較した。 これらの手法を用いて一般的な実験室のホログラフィーモデルを作成し,その忠実度を大学院生に評価した。 参加者は、繰り返し測定設計を用いて、形状、色、テクスチャ、視覚的欠陥のモデルを評価した。 オブジェクト全体にわたって、NeRFベースの手法は、特に透過的、反射的、低テクスチュアなアイテムに対して、他のアプローチで捉えるのが困難であった、最も一貫して高忠実な表現を生み出した。 形状と色は、一般的にテクスチャよりもうまく再現され、教育ホログラムで正確に表現することが困難であることが示唆された。 本研究は, 各再建手法の強みと限界を識別する以外に, 作業前準備, 空間的推論, 学生参加を支援する没入型学習オブジェクトをAR/MRベースの教育環境において作成するための実践的なワークフローを実証する。 これらの発見は、教育者や研究者が没入型デジタル学習体験を開発する上で、設計関連の洞察を提供する。

関連論文リスト

• Feed-Forward 3D Scene Modeling: A Problem-Driven Perspective [91.23306722968509]
  汎用的なフィードフォワード3D再構築は近年急速に進展している。 既存のフィードフォワードアプローチも同様に高いレベルのアーキテクチャパターンを共有している。 本稿では,出力形式に依存しないモデル設計戦略を中心とした新しい分類法を提案する。
  論文  参考訳（メタデータ） (2026-04-15T16:07:18Z)
• A Generative Approach to High Fidelity 3D Reconstruction from Text Data [0.0]
  本研究では,テキスト・画像生成をシームレスに統合する完全自動パイプライン,様々な画像処理技術,反射除去と3次元再構成のためのディープラーニング手法を提案する。 安定拡散のような最先端の生成モデルを活用することで、この手法は自然言語の入力を多段階のワークフローを通じて詳細な3Dモデルに変換する。 このアプローチは、意味的コヒーレンスを維持すること、幾何学的複雑さを管理すること、詳細な視覚情報を保存することなど、生成的再構築における重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-03-05T16:54:15Z)
• A 3D Facial Reconstruction Evaluation Methodology: Comparing Smartphone Scans with Deep Learning Based Methods Using Geometry and Morphometry Criteria [60.865754842465684]
  3次元顔形状解析は臨床応用の可能性から注目されている。 高度な3D顔認証システムの高コスト化は、その普及を制限し、低コストな取得と再構築方法の開発を推進している。 本研究では,形態素形状解析技術を統合することで,従来の幾何学的ベンチマークを超える新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2025-02-13T15:47:45Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Scalable Scene Modeling from Perspective Imaging: Physics-based Appearance and Geometry Inference [3.2229099973277076]
  論文は3Dシーンモデリングをその最先端に進める貢献のごく一部を提示する。 一般的なディープラーニング手法とは対照的に、この論文は第一原理に従うアルゴリズムの開発を目的としている。
  論文  参考訳（メタデータ） (2024-04-01T17:09:40Z)
• Artifact Reduction in 3D and 4D Cone-beam Computed Tomography Images with Deep Learning -- A Review [0.0]
  コーンビームCT(CBCT)における画像品質向上のための深層学習技術 本稿では,3次元のアーティファクトの削減に成功している深層学習技術の概要と,時間分解(4D)CBCTについて概説する。 この研究の重要な発見の1つは、GANやスコアベース、拡散モデルを含む生成モデルの利用に向けた観測傾向である。
  論文  参考訳（メタデータ） (2024-03-27T13:46:01Z)
• Visual Tomography: Physically Faithful Volumetric Models of Partially Translucent Objects [0.0]
  オブジェクトのデジタル3D表現は、人間やコンピュータによる解析に有用である。 半半透明物体の内部を含む物理モデルを得るためのボリューム再構成手法を提案する。 我々の技術は、明るい白色光源の前で異なるポーズの下で物体を撮影し、ボクセル当たりの吸収と散乱を計算する。
  論文  参考訳（メタデータ） (2023-12-21T00:14:46Z)
• Relational Object-Centric Actor-Critic [44.99833362998488]
  近年の研究では、アンタングルオブジェクト表現は、イメージベースでオブジェクト中心の強化学習タスクにおけるポリシー学習に役立つことが強調されている。 本稿では,アクタ批判的アプローチとモデルに基づくアプローチを統合した,オブジェクト中心強化学習アルゴリズムを提案する。 シミュレーションされた3次元ロボット環境と構成構造を持つ2次元環境において,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-26T06:05:12Z)
• IT3D: Improved Text-to-3D Generation with Explicit View Synthesis [71.68595192524843]
  本研究では、これらの問題に対処するために、明示的に合成されたマルチビュー画像を活用する新しい戦略を提案する。 我々のアプローチは、高画質画像を生成するために、LCDによって強化されたイメージ・ツー・イメージ・パイプラインを活用することである。 組込み判別器では、合成したマルチビュー画像は実データと見なされ、最適化された3Dモデルのレンダリングは偽データとして機能する。
  論文  参考訳（メタデータ） (2023-08-22T14:39:17Z)
• Self-supervised learning of hologram reconstruction using physics consistency [0.30586855806896046]
  本稿では,ラベル付き学習データや実験データを必要としない,ゲダンケンネット(GedankenNet)と呼ばれる自己教師型学習モデルについて報告する。 自己監督訓練の後、ゲダンケンネットは様々な未知の生物学的サンプルの実験ホログラムへの一般化に成功した。 実験データや実際の興味や空間的特徴の知識がなければ、ゲダンケンネットの自己教師付き学習は複雑な画像再構成を実現した。
  論文  参考訳（メタデータ） (2022-09-17T09:02:10Z)
• Neural 3D Reconstruction in the Wild [86.6264706256377]
  そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。 そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:59:53Z)

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。