論文の概要: EndoPrior-GS: Dynamic Endoscopic Reconstruction with a Joint Texture Prior

• arxiv url: http://arxiv.org/abs/2609.37874v1
• Date: Tue, 29 Sep 2026 15:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.709419
• Title: EndoPrior-GS: Dynamic Endoscopic Reconstruction with a Joint Texture Prior
• Title（参考訳）: EndoPrior-GS:関節集合組織を用いた動的内視鏡的再建術
• Abstract要約: EndoPrior-GSは、フレーム抽出されたビジョンと推定深度マップを結合する新しいパイプラインである。 本研究では,ベンチマークデータセットであるEndoNeRFとSCAREDを用いて実験を行い,提案手法のフローエラーを27.7%,25.8%削減することを確認した。
• 参考スコア（独自算出の注目度）: 9.510147821954915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dynamic endoscopic reconstruction is fundamental to robotic surgery and computer-assisted interventions. While 3D Gaussian Splatting (3DGS) realises real-time rendering, its application to deformable intraoperative environments remains constrained by spurious geometry and varying illuminations. To address these limitations, we introduce EndoPrior-GS, a novel pipeline that explicitly couples frame-extracted vision heuristics and estimated depth maps. EndoPrior-GS derives a joint texture prior from a tool-filtered valid tissue mask, a non-specular photometric filter, and anatomical structural salience, yielding a probability map that guides primitive initialisation and subsequent density control. The prior is further extended to the temporal domain through a texture-aware term that dynamically weighs pairwise primitive contributions during training. We conduct extensive experiments on benchmark datasets EndoNeRF and SCARED, and the obtained results show that our method EndoPrior-GS reduces Flow Error by 27.7% and 25.8% over the representative approaches while preserving competitive rendering quality and real-time rendering speed. Our project website is available at https://jiaqi-huang-77.github.io/EndoPrior-GS/.
• Abstract（参考訳）: 動的内視鏡再建は、ロボット手術とコンピュータ支援手術の基礎となる。 3D Gaussian Splatting (3DGS) はリアルタイムレンダリングを実現するが、変形可能な内部環境への応用は、急激な幾何学と様々な照明によって制限されている。 これらの制約に対処するために、フレーム抽出された視覚ヒューリスティックと推定深度マップを明示的に結合する新しいパイプラインであるEndoPrior-GSを導入する。 EndoPrior-GSは、ツールフィルターされた有効な組織マスク、非特異な光度フィルター、解剖学的構造的サリエンスから先立って関節のテクスチャを導き、原始初期化とその後の密度制御を導く確率マップを生成する。 前者は、トレーニング中にペアのプリミティブなコントリビューションを動的に重み付けするテクスチャ対応の用語によって、時間領域にさらに拡張される。 本研究では,ベンチマークデータセットであるEndoNeRFとSCAREDの広範な実験を行い,提案手法のフローエラーを27.7%,25.8%削減し,競争力のあるレンダリング品質とリアルタイムレンダリング速度を維持した。 プロジェクトのWebサイトはhttps://jiaqi-huang-77.github.io/EndoPrior-GS/で公開されている。

関連論文リスト

• Perceptual Quality Assessment of 3D Gaussian Splatting: A Subjective Dataset and Prediction Metric [76.66966098297986]
  3DGSの主観的品質評価データセットである3DGS-QAを提案する。 15種類の物体に対して225の劣化した復元を行い、共通の歪み要因の制御を可能にした。 本モデルでは,ガウス表現から空間的および測光的手がかりを抽出し,構造的に知覚された品質を推定する。
  論文  参考訳（メタデータ） (2025-11-11T09:34:20Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
  表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。 レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。 大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T18:43:26Z)
• Endo-4DGS: Endoscopic Monocular Scene Reconstruction with 4D Gaussian Splatting [12.333523732756163]
  動的シーン再構築は、下流の作業を大幅に強化し、手術結果を改善することができる。 NeRFベースの手法は、最近、シーンを再構築する異常な能力で有名になった。 本研究では,リアルタイムな内視鏡的動的再構成手法であるEndo-4DGSを提案する。
  論文  参考訳（メタデータ） (2024-01-29T18:55:29Z)
• EndoGaussian: Real-time Gaussian Splatting for Dynamic Endoscopic Scene Reconstruction [36.35631592019182]
  3次元ガウススプラッティングを用いたリアルタイム内視鏡的シーン再構築フレームワークであるEndoGaussian(3DGS)を紹介する。 我々のフレームワークはレンダリング速度をリアルタイムレベルまで大幅に向上させます。 公開データセットの実験は、多くの点で以前のSOTAに対する有効性を実証している。
  論文  参考訳（メタデータ） (2024-01-23T08:44:26Z)
• EndoGS: Deformable Endoscopic Tissues Reconstruction with Gaussian Splatting [20.848027172010358]
  変形性内視鏡組織再建に対する Gaussian Splatting 法を施行した。 提案手法は,動的シーンを扱うための変形場,空間時空間マスクを用いた深度誘導型監視,表面整列正規化項を含む。 結果として、EndoGSは単一視点ビデオ、推定深度マップ、ラベル付きツールマスクから高品質な変形可能な内視鏡組織を再構成しレンダリングする。
  論文  参考訳（メタデータ） (2024-01-21T16:14:04Z)

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。