論文の概要: ORCA: Occlusion-Aware Refinement and Completion for Novel View Synthesis

• arxiv url: http://arxiv.org/abs/2609.17450v1
• Date: Tue, 15 Sep 2026 16:53:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.630239
• Title: ORCA: Occlusion-Aware Refinement and Completion for Novel View Synthesis
• Title（参考訳）: ORCA:新しい視点合成のためのオクルージョン・アウェア・リファインメントとコンプリート
• Abstract要約: ORCAは、単一の画像から探索可能な3Dシーンを再構成し、完成させる方法である。 修復に既に利用可能なRGB-D情報を用いて、小さな解離を修復する。 新しいガウスアンカーは、既存の表現を変更することなく、局所的に追加され、最適化される。
• 参考スコア（独自算出の注目度）: 0.2621730497733947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Novel-view synthesis from a single image is a fundamentally ambiguous problem. As the camera moves away from the input viewpoint, previously hidden regions become visible, exposing missing geometry and holes in the reconstructed scene. Existing methods often rely on generative models to complete such regions. However, many of these artifacts are small gaps near depth boundaries and do not require generating new scene content. In order to eliminate expensive process of generating image we introduce ORCA, an occlusion-aware method for reconstructing and completing explorable 3D scenes from a single image. ORCA first introduces 3D structure into a Gaussian-anchor representation using monocular depth while preserving the original camera-ray correspondence. During scene exploration, missing regions are handled based on their size and structure. Small disocclusions are repaired using RGB-D information already available in the reconstruction, while generative inpainting is reserved for larger regions that cannot be reliably recovered from the scene. New Gaussian anchors are added and optimized locally without modifying the existing representation. By reducing unnecessary reliance on generative inpainting, ORCA limits generation-induced hallucinations and better preserves the content and structure of the original scene. On DIV2K, ORCA improves novel-view quality over VistaDream across all reported metrics, increasing MUSIQ from 61.60 to 68.71 and CLIP-IQA from 0.474 to 0.574. These results show that many novel-view artifacts can be repaired effectively by reusing information already present in the reconstructed scene.
• Abstract（参考訳）: 単一画像からの新規ビュー合成は、基本的に曖昧な問題である。 カメラが入力視点から離れていくと、それまで隠されていた領域が見え、再構成されたシーンに欠落した幾何学や穴が露出する。 既存の手法はしばしばそのような領域を完成させるために生成モデルに依存する。 しかし、これらのアーティファクトの多くは、奥行き境界に近い小さなギャップであり、新しいシーンコンテンツを生成する必要はない。 1枚の画像から探索可能な3Dシーンを再構成し完成させるOcclusion-aware法であるORCAを導入する。 ORCAはまず、元のカメラ線対応を保ちながら、単眼深度を用いたガウスアンカー表現に3D構造を導入する。 現場調査では、行方不明の地域はその大きさと構造に基づいて処理される。 復元で既に利用可能なRGB-D情報を用いて小さな解離を修復する一方、生成的塗布はシーンから確実に回収できない大きな領域に予約される。 新しいガウスアンカーは、既存の表現を変更することなく、局所的に追加され、最適化される。 ORCAは、発生誘導幻覚を不必要に抑制し、元のシーンの内容と構造をよりよく保存する。 DIV2Kでは、ORCAはVistaDreamよりも新しいビュー品質を改善し、MUSIQは61.60から68.71に、CLIP-IQAは0.474から0.574に増加した。 以上の結果から,再建現場にすでに存在する情報を再利用することで,多くの新規な工芸品を効果的に修復できることが示唆された。

関連論文リスト

• GenRec: Knowing Where to Reconstruct and Where to Generate [106.48347271421765]
  GenRecは、再構築世代をそのアーキテクチャ、監督、勾配フローに直接分割するフローマッチングモデルである。 観察された領域で最高の復元忠実度を達成し、また、観測されていない領域では、知覚的品質の純粋に生成的ベースラインを超越する。
  論文  参考訳（メタデータ） (2026-08-18T14:31:19Z)
• DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion [65.65756111062005]
  textitDecoRecは、単一のビュー2D画像を分解された3Dシーンメッシュに高めるように設計されたシステムである。 以上の結果から,DecoRecはジオメトリと新規合成の両面において,高品質なワンビューシーン再構築を促進することが示唆された。
  論文  参考訳（メタデータ） (2026-05-16T04:23:48Z)
• 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)
• DeOcc-1-to-3: 3D De-Occlusion from a Single Image via Self-Supervised Multi-View Diffusion [50.90541069907167]
  閉塞型マルチビュー生成のためのエンドツーエンドフレームワークであるDeOcc-1-to-3を提案する。 私たちの自己教師型トレーニングパイプラインは、隠蔽されたイメージペアと擬似地上構造ビューを活用して、モデル構造を意識した補完とビュー整合性を教える。
  論文  参考訳（メタデータ） (2025-06-26T17:58:26Z)
• OccluGaussian: Occlusion-Aware Gaussian Splatting for Large Scene Reconstruction and Rendering [35.490400711242216]
  大規模なシーン再構築では、シーンを複数の小さな領域に分割して個別に再構築することが一般的である。 本稿では,カメラの位置と視認性に基づいてカメラをクラスタリングし,複数の領域を抽出するOcclusion-aware scene division戦略を提案する。 また,大画面レンダリングを高速化する領域ベースのレンダリング手法を提案し,視点のある領域にガウス人が見えないようにした。
  論文  参考訳（メタデータ） (2025-03-20T14:18:52Z)
• Gaussian Scenes: Pose-Free Sparse-View Scene Reconstruction using Depth-Enhanced Diffusion Priors [8.440211083233528]
  本研究では2次元画像の粗い集合から360度シーンのポーズなし(カメラパラメータなしで)再構成のための生成的アプローチを提案する。 画像から画像への生成モデルを提案し、3Dシーンの新たな画像レンダリングと深度マップにおいて、欠落した詳細を描き、アーティファクトを除去する。
  論文  参考訳（メタデータ） (2024-11-24T19:34:58Z)
• Denoising Diffusion via Image-Based Rendering [54.20828696348574]
  実世界の3Dシーンの高速かつ詳細な再構築と生成を可能にする最初の拡散モデルを提案する。 まず、大きな3Dシーンを効率よく正確に表現できる新しいニューラルシーン表現であるIBプレーンを導入する。 第二に,2次元画像のみを用いて,この新たな3次元シーン表現の事前学習を行うためのデノイング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-05T19:00:45Z)
• 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)
• SceneRF: Self-Supervised Monocular 3D Scene Reconstruction with Radiance Fields [19.740018132105757]
  SceneRFは、画像列のみを用いた自己教師付き単眼シーン再構築法である。 推測において、単一の入力画像は、融合した新しい深度ビューを幻覚させ、3Dシーンの再構成を得るのに十分である。
  論文  参考訳（メタデータ） (2022-12-05T18:59:57Z)

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。