論文の概要: PlenoCI: Plenoptic CharacterIstics for View Dependence Aware Change Classification

• arxiv url: http://arxiv.org/abs/2609.28930v1
• Date: Thu, 24 Sep 2026 02:27:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.666343
• Title: PlenoCI: Plenoptic CharacterIstics for View Dependence Aware Change Classification
• Title（参考訳）: PlenoCI:ビュー依存意識変化分類のための複視特性
• Abstract要約: Plenoptic CharacterIstics (PlenoCI) は、これらの表現を近似的に表現する。 3DGS表現からクローズドフォーム解析レンズ光学微分を導出することにより、これらの5D構造を効率的に検出する。 我々は、PlenoCIが変更分類に有効であることを実証し、最強の競争相手よりも25.7%のmIoUでCL-Splatsの最先端の結果を得た。
• 参考スコア（独自算出の注目度）: 9.165313214748748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiance field representations such as 3D Gaussian Splatting (3DGS) natively encode complex visual phenomena such as occlusions and view dependence, but they are inherently underconstrained. Independently optimized reconstructions converge to different primitive configurations, even in unchanged regions. We introduce Plenoptic CharacterIstics (PlenoCI), a novel feature built from the plenoptic field these representations approximate. PlenoCI directly captures rich visual behaviors while ignoring Lambertian textures. By deriving closed-form analytic plenoptic derivatives from a 3DGS representation, we efficiently detect these 5D structures. Our approach is robust to underconstrained representations by construction, reporting two orders of magnitude fewer false positives between independent reconstructions of unchanged scenes than concurrent work. We demonstrate PlenoCI's utility on change classification. First, we detect changes with an instance-aware 3DGS pipeline, achieving state-of-the-art results on CL-Splats with a 25.7% mIoU gain over the strongest competitor, while remaining competitive on the more challenging PASLCD benchmark. Leveraging PlenoCI, we classify changes as geometric or appearance-based with a balanced accuracy of 0.735, comparable to the best performing baseline. We believe plenoptic derivatives and PlenoCI open new directions for view dependence aware understanding in visually complex environments. Code and data are available at https://js0n-lai.github.io/plenoci.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) のような放射場表現は、隠蔽やビュー依存といった複雑な視覚現象をネイティブにエンコードするが、それらは本質的に制約されていない。 独立に最適化された再構成は、変化のない領域でも異なる原始的な構成に収束する。 Plenoptic CharacterIstics (PlenoCI) は、これらの表現を近似的に表現する。 PlenoCIは、ランバートのテクスチャを無視しながら、リッチな視覚行動を直接キャプチャする。 3DGS表現からクローズドフォーム解析レンズ光学微分を導出することにより、これらの5D構造を効率的に検出する。 提案手法は, コンカレントな作業よりも, 変化のないシーンの独立的な再構築において, 2桁の偽陽性を報告し, 構成による制約の過小評価に頑健である。 変更分類におけるPlenoCIの有用性を実証する。 まず、インスタンス対応の3DGSパイプラインによる変更を検出し、最強の競合相手よりも25.7%のmIoUでCL-Splatsの最先端結果を達成すると同時に、より挑戦的なPASLCDベンチマークで競争力を維持する。 PlenoCIを活用することで、変化を幾何学的または外見的ベースと分類し、バランスの取れた精度は0.735と、最高のパフォーマンスベースラインに匹敵する。 Plenoptic derivativesとPlenoCIは、視覚的に複雑な環境において、ビュー依存を意識した理解のための新しい方向を開くと考えている。 コードとデータはhttps://js0n-lai.github.io/plenociで公開されている。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• 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)
• Analysis of Converged 3D Gaussian Splatting Solutions: Density Effects and Prediction Limit [26.560853188856342]
  標準的な多視点最適化から3次元ガウススプラッティング(3DGS)の解にどのような構造が現れるかを検討する。 密度領域は、レンダリング不要な予測が可能な幾何学的関連パラメータを示し、スパース領域は体系的な失敗を示す。 点雲が十分である幾何学的プリミティブと、多視点制約が不可欠であるビュー合成プリミティブである。
  論文  参考訳（メタデータ） (2026-02-09T17:09:08Z)
• Joint Geometry-Appearance Human Reconstruction in a Unified Latent Space via Bridge Diffusion [57.09673862519791]
  本稿では,幾何学と外観のモデリングを結合潜在表現に統一する新しいフレームワークである textbfJGA-LBD を紹介する。 実験により、JGA-LBDは、幾何学的忠実度と外観品質の両方の観点から、現在の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-01T12:48:56Z)
• Quantifying and Alleviating Co-Adaptation in Sparse-View 3D Gaussian Splatting [39.014517076251934]
  3D Gaussian Splatting (3DGS) は、高密度ビュー環境下での新規なビュー合成において、印象的な性能を示した。 スパースビューのシナリオでは、トレーニングビューのリアルなレンダリングにもかかわらず、3DGSは時々、新しいビューで外見のアーティファクトを示す。 本稿では,スパースビュー3DGSの外観アーティファクトについて検討し,現在のアプローチの限界を明らかにする。
  論文  参考訳（メタデータ） (2025-08-18T08:34:49Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• PEP-GS: Perceptually-Enhanced Precise Structured 3D Gaussians for View-Adaptive Rendering [3.1006820631993515]
  3D Gaussian Splatting (3D-GS)はリアルタイムで高品質な3Dシーンレンダリングにおいて大きな成功を収めた。 PEP-GSは、不透明度、色、共分散を含むガウス属性を動的に予測する知覚的に強化されたフレームワークである。 我々はPEP-GSが最先端の手法、特にビュー依存効果や細かな詳細を含む挑戦的なシナリオにおいて優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-08T17:42:02Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
  外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。 本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-22T11:40:49Z)

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。