論文の概要: T3lescope: Arbitrary-Resolution High-Fidelity Generative Surface Reconstruction from Images
- arxiv url: http://arxiv.org/abs/2610.03308v1
- Date: Fri, 02 Oct 2026 13:46:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.402143
- Title: T3lescope: Arbitrary-Resolution High-Fidelity Generative Surface Reconstruction from Images
- Title（参考訳）: T3lescope: 任意分解能高密度表面再構成
- Abstract要約: シーンごとの最適化を伴わない多視点画像から高忠実度3Dシーンメッシュを再構成する。
既存の生成法は、そのような先例を、わずかに観察された領域の完全な幾何学に活用する。
本稿では,シーンスケールに1つの固定分解能発生器を適用したT3lescopeを提案する。
- 参考スコア（独自算出の注目度）: 10.785207276877783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We reconstruct high-fidelity 3D scene meshes from posed multi-view images without per-scene optimization, across scales ranging from single objects to large outdoor scenes. Per-scene optimization methods lack the learned 3D prior needed when observations are sparse or surfaces are glossy or transparent. Existing generative methods leverage such priors to complete geometry in sparsely observed regions, but typically operate at a fixed resolution over a limited spatial extent, trading spatial coverage against detail. Reconstructing a large scene therefore often requires partitioning it into independently processed overlapping local regions, making it difficult to maintain global geometric consistency. To address these issues, we propose T3lescope, which applies a single fixed-resolution generator across scene scales in an inference-time coarse-to-fine cascade. A coarse level establishes the scene layout, and finer levels perturb and denoise geometry inherited from the coarser level within progressively finer spatial cells to recover surface detail. The model is trained on individual cells at multiple scales and shares its weights across all levels, so no hierarchy is fixed during training, and the number of levels, cell scales, and cell locations are determined at inference time. On indoor, outdoor, and city-scale scenes, T3lescope outperforms feed-forward and generative baselines, matches or surpasses per-scene optimization, and recovers fine structures as well as glossy and transparent surfaces. These results show that our method generalizes across diverse scenes, view counts, and image resolutions. Project page: https://pfnet-research.github.io/t3lescope/
- Abstract（参考訳）: 単一オブジェクトから大規模屋外シーンに至るまで,シーンごとの最適化を伴わない多視点画像から高忠実度3Dシーンメッシュを再構成する。
シーンごとの最適化手法は、観察が疎かったり、表面が光沢で透明だったりする際に、学習済みの3Dの事前処理を欠いている。
既存の生成法では、これらの先駆的手法は、わずかに観察された領域の完全な幾何学に活用されるが、通常、空間的範囲を限定して一定の解像度で動作し、細部に対して空間的カバレッジを交換する。
したがって、大きなシーンを再構築するには、独立に処理された局所領域に分割する必要があることが多く、グローバルな幾何学的整合性を維持するのが困難である。
これらの問題に対処するため、我々はT3lescopeを提案し、このT3lescopeは1つの固定分解能発生器をシーンスケールで適用し、推論時間で粗大なカスケードを発生させる。
粗いレベルがシーンレイアウトを確立し、より微細な空間セル内の粗いレベルから引き継がれたより微細なレベルの摂動と denoise 形状が表面のディテールを回復する。
モデルは、複数のスケールで個別の細胞で訓練され、すべてのレベルにわたってその重みを共有しているため、トレーニング中に階層が固定されず、推論時にレベル、細胞スケール、細胞位置の数が決定される。
屋内、屋外、都市スケールのシーンでは、T3lescopeはフィードフォワードと生成ベースラインを上回り、シーンごとの最適化にマッチまたは超え、光沢と透明な表面だけでなく微細な構造を回復する。
これらの結果から,本手法は多様なシーン,ビューカウント,画像解像度にまたがって一般化されていることがわかった。
プロジェクトページ: https://pfnet-research.github.io/t3lescope/
関連論文リスト
- Mira-Scene: Pixel-Aligned Layouts for Generative 3D Scene Reconstruction [69.88254698306027]
シングルイメージの3Dオブジェクト生成は、今や高忠実な資産を生成できるが、それらをコヒーレントなシーンレイアウトに正確に配置することは、未解決の課題である。
スパースポーズの回帰を高密度で有界な対応回復に置き換える構成的3次元シーン再構成フレームワークであるMira-Sceneを提案する。
論文 参考訳（メタデータ） (2026-09-20T18:36:29Z) - Scaling 3D Generative Priors to Large-Scale Scene Meshes from Multi-View Images [5.787939851305456]
事前訓練された3D生成モデルは、詳細な幾何学と外観を生成するが、主に空間範囲の範囲内でオブジェクト中心の生成のために設計されている。
近年のアプローチでは、大きなシーンを小さな空間領域に分割し、各領域に事前訓練された3D生成前処理を適用することで、この制限に対処している。
マルチビュー画像から大規模テクスチャメッシュを生成するためのトレーニングフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-06T04:52:52Z) - City-Level 3D Surface Reconstruction with Viewpoint Orientation Partitioning and Scene Completion [92.92843111081761]
マルチビュー3D表面再構成は、コンピュータビジョンにおける長年の課題である。
近年の3次元ガウススプラッティング(3DGS)に基づく大規模再構成手法は,目覚ましい新規なビュー合成を実現する。
本稿では,大規模シーンの表面を効率的にかつ忠実に再構築する,新しい分割手法を提案する。
論文 参考訳（メタデータ） (2026-07-04T08:44:12Z) - SEM-ROVER: Semantic Voxel-Guided Diffusion for Large-Scale Driving Scene Generation [7.655860434125127]
本稿では,各占有ボクセルが一定数の色付き表面サンプルを格納する離散表現である$-Voxfield gridに基づく3D生成フレームワークを提案する。
この表現を生成するために,局所的なボクセル近傍で動作する意味条件付き拡散モデルを訓練する。
重なり合う領域にプログレッシブな空間効果を生かして大きなシーンにスケールする。最後に、生成された$-Voxfield グリッドを遅延レンダリングモジュールで描画し、フォトリアリスティックな画像を得る。
論文 参考訳（メタデータ） (2026-04-07T17:24:29Z) - Scene Generation at Absolute Scale: Utilizing Semantic and Geometric Guidance From Text for Accurate and Interpretable 3D Indoor Scene Generation [5.189354278537469]
GuidedSceneGenは、メートル法的に正確で、一貫した、意味的に解釈可能な屋内シーンを生成する。
我々のアプローチは、生成プロセス全体を通して絶対的な世界座標フレームを維持します。
論文 参考訳（メタデータ） (2026-03-14T11:46:27Z) - IGFuse: Interactive 3D Gaussian Scene Reconstruction via Multi-Scans Fusion [15.837932667195037]
IGFuseは対話型ガウスシーンを複数のスキャンから観測することで再構成する新しいフレームワークである。
本手法は,ガウス場を意識したセグメンテーションを構築し,スキャン間の双方向光度・セマンティック一貫性を実現する。
IGFuseは、密度の高い観測や複雑なパイプラインを使わずに、高忠実なレンダリングとオブジェクトレベルのシーン操作を可能にする。
論文 参考訳（メタデータ） (2025-08-18T17:59:47Z) - BloomScene: Lightweight Structured 3D Gaussian Splatting for Crossmodal Scene Generation [54.12899218104669]
3Dシーンは非常に複雑な構造を持ち、出力が密度が高く、一貫性があり、必要な全ての構造を含むことを保証する必要がある。
現在の3Dシーン生成法は、事前訓練されたテキスト・画像拡散モデルと単眼深度推定器に依存している。
クロスモーダルシーン生成のための軽量な3次元ガウススプラッティングであるBloomSceneを提案する。
論文 参考訳（メタデータ） (2025-01-15T11:33:34Z) - GigaGS: Scaling up Planar-Based 3D Gaussians for Large Scene Surface Reconstruction [71.08607897266045]
3D Gaussian Splatting (3DGS) は新規なビュー合成において有望な性能を示した。
本研究は,大規模な景観表面再構築の課題に取り組むための最初の試みである。
3DGSを用いた大規模シーンのための高品質な表面再構成手法であるGigaGSを提案する。
論文 参考訳（メタデータ） (2024-09-10T17:51:39Z) - GenS: Generalizable Neural Surface Reconstruction from Multi-View Images [20.184657468900852]
GenSは、エンドツーエンドの一般化可能なニューラルサーフェス再構成モデルである。
我々の表現はより強力であり、グローバルな滑らかさを維持しながら高周波の詳細を回復することができる。
人気のあるベンチマーク実験により、我々のモデルは新たなシーンにうまく一般化できることが示された。
論文 参考訳（メタデータ） (2024-06-04T17:13:10Z) - VastGaussian: Vast 3D Gaussians for Large Scene Reconstruction [59.40711222096875]
VastGaussianは3次元ガウススティングに基づく大規模シーンにおける高品質な再構成とリアルタイムレンダリングのための最初の方法である。
提案手法は既存のNeRF手法より優れており,複数の大規模シーンデータセットの最先端結果が得られる。
論文 参考訳（メタデータ） (2024-02-27T11:40:50Z)
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。