論文の概要: φ-RIE: From Photorealistic Reconstruction to Interactive Environments

• arxiv url: http://arxiv.org/abs/2609.26795v1
• Date: Tue, 22 Sep 2026 17:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.782412
• Title: φ-RIE: From Photorealistic Reconstruction to Interactive Environments
• Title（参考訳）: φ-RIE:光リアルリコンストラクションからインタラクティブ環境へ
• Abstract要約: -RIEは、残りの復元を保ちながら、選択したオブジェクトを移動可能なシミュレータアセットに変換する。 シーン・オブザーバは、結合されたシーン・コンストラクションの証拠を共有した。 50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20mmのF1と、固定保持時の0.336から0.383に一致した。
• 参考スコア（独自算出の注目度）: 57.657253059351795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) can reconstruct a captured scene photorealistically, but the resulting representation does not by itself support physical interaction. Robot simulation instead requires object-level change, \textit{i.e.}, objects must move independently, make contact, and reveal previously occluded surroundings. This gap arises because object appearance may remain entangled with the background, while hidden object geometry and occluded background content may be unobserved. To address this challenge, we present φ-RIE, a Gaussian-native pipeline that converts selected objects into movable simulator assets while preserving the remaining reconstruction. Our key observation is that asset construction and source removal should be coupled, \textit{i.e.}, one object identity should define the movable asset and the scene content to remove and complete. Accordingly, Scene Observation supplies shared evidence to Coupled Scene Construction, which creates registered assets and completed background Gaussians for simulator-driven rendering in an Interactive Environment. This coupling preserves unedited Gaussians while aligning visual and physical state. On 50 ScanNet++ scenes, evidence-based selection and registration retry increase matched F1 at 20\,mm from 0.336 to 0.383 at fixed retention. Further tests demonstrate asset executability, manipulation gains over a single-generator baseline, and the visual cost of conversion. Together, these results demonstrate that \name\ enables interactive scene conversion.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は撮影シーンをリアルに再構成することができるが、結果として得られる表現は物理的相互作用そのものをサポートするものではない。 ロボットシミュレーションは代わりにオブジェクトレベルの変更を必要とするが、textit{i.e.} では、オブジェクトは独立して動き、接触し、以前閉鎖されていた環境を明らかにする必要がある。 このギャップは、オブジェクトの外観が背景と絡み合っている場合があり、隠れたオブジェクトの幾何学と隠された背景のコンテンツは保存されない場合があります。 この課題に対処するために、選択したオブジェクトを移動型シミュレーターアセットに変換し、残りの再構築を保ちながら、ガウスネイティブパイプラインであるφ-RIEを提案する。 私たちのキーとなる観察は、アセットの構築とソースの削除が結合されるべきである、つまり、1つのオブジェクトのアイデンティティは、移動可能なアセットとシーンの内容を定義して、削除し、完成させるべきです。 そのため、Scene ObservationはCoupled Scene Constructionに証拠を共有しており、これは、インタラクティブ環境におけるシミュレータ駆動レンダリングのための登録資産とバックグラウンドガウスを作成した。 この結合は、視覚状態と身体状態の整列を保ちながら未編集のガウスを保存する。 50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20\,mmでF1と一致し、固定保持時には0.336から0.383になった。 さらなるテストでは、アセット実行可能性、単一のジェネレータベースラインに対する操作の利得、変換の視覚的コストが示される。 これらの結果から, \name\ がインタラクティブなシーン変換を可能にすることが示された。

関連論文リスト

• Fysiverse-3D-Vision Technical Report: Generating Executable 3D Worlds from Images through Unified Spatial Reasoning [62.09790533047924]
  生成モデルは、高度な画像条件付き3Dコンテンツ生成が可能だが、単一の画像から制御可能で実行可能な3Dシーンを生成することは、依然として困難である。 本研究では,Fysiverse-3D-Visionを提案する。Fysiverse-3D-Visionは1つの画像から生成した3次元シーンの再構成と実行可能アセット構築のための統合視覚言語-幾何学フレームワークである。 本フレームワークは,既存の手法と比較して,幾何学的整合性,レイアウト推定,レンダリング品質,物理的特性の理解に優れる。
  論文  参考訳（メタデータ） (2026-09-22T06:22:31Z)
• 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)
• GARDEN: Gravity-Aligned Reconstruction of Disentangled ENvironments from RGB images [61.2170105836525]
  本稿では,RGBのみのフレームワークを提案する。このフレームワークは,再構成を物理的に地上に配置したシーンファクタ化として再構成し,構造化されたハイブリッドシーン表現を出力する。 結果として得られる表現は、明示的な剛体と分離された背景を組み合わせることで、視覚的リアリズムを維持しながら直接物理シミュレーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-02T17:13:01Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• ObjectGS: Object-aware Scene Reconstruction and Scene Understanding via Gaussian Splatting [54.92763171355442]
  ObjectGSは3Dシーンをセマンティックな理解と統合するオブジェクト認識フレームワークである。 我々はObjectGSがオープンボキャブラリやパン光学のセグメンテーションタスクにおいて最先端の手法より優れていることを示す実験を通して示す。
  論文  参考訳（メタデータ） (2025-07-21T10:06:23Z)
• CAST: Component-Aligned 3D Scene Reconstruction from an RGB Image [44.8172828045897]
  現在のメソッドはドメイン固有の制限や低品質のオブジェクト生成に悩まされることが多い。 本稿では,3次元シーンの復元と復元のための新しい手法であるCASTを提案する。
  論文  参考訳（メタデータ） (2025-02-18T14:29:52Z)
• Object Wake-up: 3-D Object Reconstruction, Animation, and in-situ Rendering from a Single Image [58.69732754597448]
  椅子の写真があれば、椅子の3次元形状を抽出し、その可愛らしい調音や動きをアニメーション化し、元の画像空間でその場でレンダリングできるだろうか? 単一画像中の調音対象を抽出・操作するための自動アプローチを考案する。
  論文  参考訳（メタデータ） (2021-08-05T16:20:12Z)

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。