論文の概要: Tri-DehazeGS: Scene--Medium Decoupled Gaussian Splatting with Transmittance-Aware Optimization
- arxiv url: http://arxiv.org/abs/2609.11223v1
- Date: Thu, 10 Sep 2026 08:24:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.253736
- Title: Tri-DehazeGS: Scene--Medium Decoupled Gaussian Splatting with Transmittance-Aware Optimization
- Title（参考訳）: Tri-DehazeGS:Scene-Medium Decoupled Gaussian Splatting with Transmittance-Aware Optimization
- Abstract要約: Tri-DehazeGS(トリ・デハゼGS)は、ガウシアン・スティングフレームワークである。
物理散乱モデルを通して観測を行う。
リアルおよび合成ヘイズベンチマークの実験は、Tri-DehazeGSがクリーンなノベルビューの再構築を改善することを示している。
- 参考スコア（独自算出の注目度）: 38.0099078630399
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recovering clean 3D scenes from hazy multi-view images is challenging because haze attenuates scene radiance and introduces atmospheric scattering. Recent scattering-aware Gaussian Splatting methods introduce physical haze models into reconstruction, but they often apply degradation in image space or bind medium-related variables to Gaussian primitives, which can entangle clean scene radiance with atmospheric effects. Moreover, low-transmittance regions provide weakened supervision for Gaussian optimization, causing distant or dense-haze areas to be under-reconstructed. We argue that clean reconstruction under haze requires both scene--medium disentanglement and transmittance-aware optimization rebalancing. To this end, we propose Tri-DehazeGS, a scene--medium decoupled Gaussian Splatting framework. It represents the clean scene with Gaussian primitives, models the participating medium using an independent view-shared tri-plane field, and composes hazy observations through a physical scattering model. We further introduce Medium-Decoupled Transmittance Gradient Compensation (MD-TGC), which compensates haze-suppressed gradients after medium freezing without altering forward rendering. Experiments on real and synthetic haze benchmarks show that Tri-DehazeGS improves clean novel-view reconstruction. Code is available at https://github.com/aptx46/Tri-DehazeGS.
- Abstract（参考訳）: 多視点画像からクリーンな3Dシーンを復元することは、ヘイズがシーンラディアンスを減衰させ、大気散乱を起こすため困難である。
近年の散乱を意識したガウススプラッティング法では、物理的ヘイズモデルを再構成しているが、しばしば画像空間の劣化や、ガウス原始体への中間的変数の結合を応用し、大気効果とクリーンなシーンラディアンを絡ませることができる。
さらに、低透過領域はガウス最適化の監督を弱め、遠方または高密度のヘイズ地域を過度に再建する原因となった。
ヘイズの下でのクリーンな再構築には,シーンのゆがみと透過性を考慮した最適化の両面が必要である,と我々は主張する。
そこで本研究では,シーン分離型ガウス平滑化フレームワークTri-DehazeGSを提案する。
これはガウス原始体によるクリーンなシーンを表し、独立したビューシェアされた三面体場を用いて参加媒体をモデル化し、物理的散乱モデルを通してヘイジーな観察を構成する。
さらに,前向きのレンダリングを変えることなく,中冷凍結後のヘイズ抑制勾配を補償するMD-TGC(Medium-Decoupled Transmittance Gradient Compensation)を導入する。
リアルおよび合成ヘイズベンチマークの実験は、Tri-DehazeGSがクリーンなノベルビューの再構築を改善することを示している。
コードはhttps://github.com/aptx46/Tri-DehazeGSで入手できる。
関連論文リスト
- 3D Gaussian Splatting for Annular Dark Field Scanning Transmission Electron Microscopy Tomography Reconstruction [13.051560405222775]
ADF-STEMトモグラフィーは多視点傾斜画像を統合することで3次元のナノスケール材料を再構成する。
傾斜角の散乱を安定化し、散乱ビュー正規化による一貫したデンザを確保するために$$係数を導入する。
45-viewと15-viewの傾きシリーズの実験では、デンザ・ガウシアンは元の傾きとより密接な2次元のプロジェクションと高忠実さの再現を行う。
論文 参考訳（メタデータ） (2026-04-06T14:01:43Z) - LightHarmony3D: Harmonizing Illumination and Shadows for Object Insertion in 3D Gaussian Splatting [90.15229815175593]
光ハーモニー3D(LightHarmony3D)について述べる。
繰り返し最適化の代わりに生成前処理を活用することにより,本手法はシーン照明を効率よく捉えることができる。
3DGSでメッシュ挿入のための最初の専用ベンチマークを導入し、照明の一貫性と光リアリズムを評価するための標準化された評価フレームワークを提供する。
論文 参考訳（メタデータ） (2026-03-31T03:26:30Z) - NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。
特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
論文 参考訳（メタデータ） (2026-03-28T10:46:29Z) - SwiftGS: Episodic Priors for Immediate Satellite Surface Recovery [6.657583814165929]
SwiftGSはメタ学習システムで、単一の前方パスで3D表面を再構築する。
高価なシーンごとのフィッティングを、転送可能な事前をキャプチャするエピソードトレーニングに置き換える。
推論では、SwiftGSはオプションのコンパクトキャリブレーションでゼロショットを動作させる。
論文 参考訳（メタデータ） (2026-03-19T08:59:07Z) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
3D Gaussian Splatting (3DGS)は、新しいビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。
いくつかの重要な設計に基づく堅牢なソリューションであるRobustSplat++を提案する。
論文 参考訳（メタデータ） (2025-12-04T14:05:09Z) - 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) - DehazeGS: Seeing Through Fog with 3D Gaussian Splatting [17.119969983512533]
DehazeGSは,霧のない背景をメディアから分解・レンダリングできる手法である。
合成と実世界の霧のデータセットの実験は、DehazeGSが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-01-07T09:47:46Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z)
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。