論文の概要: SkyAnchor: Updating Metric-scale Aerial 3D Gaussian Scenes from Unposed Ground-View Sequences

• arxiv url: http://arxiv.org/abs/2609.13903v1
• Date: Sat, 12 Sep 2026 12:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.605729
• Title: SkyAnchor: Updating Metric-scale Aerial 3D Gaussian Scenes from Unposed Ground-View Sequences
• Title（参考訳）: SkyAnchor: 未観測の地上映像からの3Dガウシアンシーンの高度化
• Abstract要約: 本稿では,既設の地上シーンを地上映像登録・現場更新のための固定足場として扱うSkyAnchorについて述べる。 実際の地上の7つのシーンの実験では、正確な地上の軌跡が示され、3Dガウスのシーンは強い空中と地上のレンダリングの質で更新された。
• 参考スコア（独自算出の注目度）: 16.66302317113549
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study how to update a pre-built aerial scene with a newly captured, unposed ground-view sequence. The aerial scene already contains a reliable metric Structure-from-Motion (SfM) reconstruction and a pre-trained 3D Gaussian Splatting (3DGS) model, whereas the ground-view sequence is collected later to add street-level appearance but has unknown camera poses and global scale. Registering this sequence to the aerial SfM reconstruction is challenging because single-image cross-view localization is brittle and long trajectories are prone to drift. To address these challenges, we present SkyAnchor, which treats the existing aerial scene as a fixed scaffold for ground-view registration and scene update instead of jointly reconstructing aerial and ground imagery from scratch. It first localizes short groups of consecutive ground frames against geometrically verified aerial support, producing sparse anchor poses. It then recovers the full ground trajectory with anchor-constrained submaps, fixing the front and rear anchor poses during incremental registration and bundle adjustment. Finally, it inserts filtered ground Gaussians while preserving the aerial view, followed by lightweight joint refinement. Experiments on seven real aerial--ground scenes show accurate metric ground trajectories and updated 3D Gaussian scenes with strong aerial- and ground-view rendering quality.
• Abstract（参考訳）: 本研究では,新たにキャプチャーされた未設置の地上ビューシーケンスを用いて,プレビルドされた空中シーンの更新方法について検討する。 航空シーンには、信頼度の高いSfM(Structure-from-Motion)再構成と、事前訓練された3Dガウス・スプレイティング(3DGS)モデルが含まれており、地上ビューのシーケンスは後に収集され、ストリートレベルの外観が追加されるが、カメラのポーズやグローバルスケールが不明である。 このシーケンスを空中SfM再構成に登録することは、単一画像のクロスビューのローカライゼーションが不安定であり、長い軌道はドリフトしがちであるため困難である。 これらの課題に対処するため,SkyAnchorは,既存の空中シーンを,地上画像と地上画像とをスクラッチから共同で再構築する代わりに,地上ビュー登録と現場更新のための固定的な足場として扱う。 まず、幾何学的に検証された航空支援に対して連続した地上フレームの短いグループをローカライズし、スパースアンカーポーズを生成する。 その後、アンカー制約付きサブマップで全地上軌跡を復元し、インクリメンタル登録とバンドル調整の間、前と後ろのアンカーポーズを固定する。 最後に、空中の視界を保っている間、フィルターされた地上のガウシアンを挿入し、続いて軽量な関節の改良を行う。 7つの実地空間での実験では、正確な地上の軌跡が示され、3Dガウスのシーンは強い空中・地上のレンダリング品質で更新された。

関連論文リスト

• Feed-Forward Gaussian Splatting from Sparse Aerial Views [14.51615314064375]
  本稿では,空域の少ない都市景観を再現する観測基盤構築フレームワークであるAnyCityを提案する。 訓練中、高密度から高密度への蒸留は、高密度から高密度の再生から構造的キューを伝達する一方、航空保存ビデオ拡散は、きめ細かい都市外観のキューを提供する。 合成、航空ドメイン、UAVテクスチャ、現実世界のシーンの実験では、フィードフォワードベースラインよりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-05-19T15:04:34Z)
• VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
  VidSplatは、トレーニング不要な生成的再構築フレームワークである。 生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。 広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
  論文  参考訳（メタデータ） (2026-05-12T02:20:31Z)
• Satellite-Free Training for Drone-View Geo-Localization [23.183491899036138]
  ドローンビューのジオローカライゼーションは、対応するジオタグ付き衛星タイルを検索することで、GPSで識別された環境におけるドローンの位置を決定することを目的としている。 本稿では,ドローン画像のクロスプラットフォーム対応表現に変換する,衛星フリーのトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-02T03:48:53Z)
• Urban Neural Surface Reconstruction from Constrained Sparse Aerial Imagery with 3D SAR Fusion [5.462159447632879]
  本研究では,3次元合成開口レーダ点雲と空中画像とを融合させた最初のフレームワークを提案する。 本フレームワークは,SDFをベースとしたNSRバックボーンにレーダーによる空間制約を組み込んで,構造認識光線選択と適応サンプリングを誘導し,安定かつ効率的な最適化を実現する。
  論文  参考訳（メタデータ） (2026-01-29T17:47:07Z)
• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• AIM2PC: Aerial Image to 3D Building Point Cloud Reconstruction [2.9998889086656586]
  最近の手法は主に空中画像からの屋上に焦点を当てており、しばしば重要な幾何学的詳細を見下ろしている。 建物全体のための完全な3Dポイントクラウドを含むデータセットの欠如と、航空画像の信頼性の高いカメラポーズ情報を取得するという課題がある。 本稿では,全3次元点群決定カメラのポーズを含む,我々の生成したデータセットを利用する新しい手法であるAIM2PCを提案する。
  論文  参考訳（メタデータ） (2025-03-24T10:34:07Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• Horizon-GS: Unified 3D Gaussian Splatting for Large-Scale Aerial-to-Ground Scenes [55.15494682493422]
  本稿では,ガウシアン・スプレイティング技術に基づく新しい手法であるHorizon-GSを導入し,航空やストリートビューの統一的な再構築とレンダリングに挑戦する。 提案手法は,これらの視点と新たなトレーニング戦略を組み合わせることによる重要な課題に対処し,視点の相違を克服し,高忠実度シーンを生成する。
  論文  参考訳（メタデータ） (2024-12-02T17:42:00Z)
• DynOMo: Online Point Tracking by Dynamic Online Monocular Gaussian Reconstruction [65.46359561104867]
  モノクラーカメラ入力からのオンライン2Dおよび3Dポイントトラッキングの課題を対象としている。 我々は3Dガウススプラッティングを利用して動的シーンをオンラインに再構築する。 我々は,オンラインのポイントトラッキングとリコンストラクションを推進し,様々な現実のシナリオに適用可能にすることを目的としている。
  論文  参考訳（メタデータ） (2024-09-03T17:58:03Z)
• DRAGON: Drone and Ground Gaussian Splatting for 3D Building Reconstruction [6.204957247203803]
  DRAGONは、ドローンと地上の建築画像を入力として取り出し、3D NVSモデルを作成することができる。 Google Earth Studioを使って,9つの大きな建物シーンの半合成データセットを作成した。
  論文  参考訳（メタデータ） (2024-07-01T19:52:32Z)
• Reconstructing Satellites in 3D from Amateur Telescope Images [44.20773507571372]
  本稿では,ハイブリッド画像前処理パイプラインを統合することで,障害を克服する新しい計算イメージングフレームワークを提案する。 我々は,中国の江東宇宙ステーションと国際宇宙ステーションの合成衛星データセットとオンスキー観測の両方にアプローチを検証した。 我々のフレームワークは地球からの高忠実度3D衛星監視を可能にし、宇宙状況認識のためのコスト効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2024-04-29T03:13:09Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• ReconFusion: 3D Reconstruction with Diffusion Priors [104.73604630145847]
  本稿では,数枚の写真を用いて現実のシーンを再構成するReconFusionを提案する。 提案手法は,合成および多視点データセットに基づいて訓練された新規なビュー合成に先立って拡散を利用する。 本手法は,観測領域の外観を保ちながら,非拘束領域における現実的な幾何学とテクスチャを合成する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:58Z)

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。