論文の概要: GS-Pool: Object-Level Change Detection in 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2610.06688v1
• Date: Mon, 05 Oct 2026 16:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:36:49.144539
• Title: GS-Pool: Object-Level Change Detection in 3D Gaussian Splatting
• Title（参考訳）: GS-Pool:3次元ガウス平板におけるオブジェクトレベル変化検出
• Abstract要約: 工場、博物館、測量士は同じ空間を数ヶ月かけて撮影し、どの物体が変わったかを知る必要がある。 それぞれの訪問を3Dガウススプラッティングで再構築すると、両者の直接比較はこれに答えない。 GS-Poolは、同じ空間の2つの独立に再構成されたフィールドを持ち、変化したオブジェクトをそれぞれ返却する。
• 参考スコア（独自算出の注目度）: 1.0059677020934699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Factories, museums and surveyors photograph the same space months apart and need to know which objects changed. When each visit is reconstructed with 3D Gaussian Splatting (3DGS), a direct comparison of the two reconstructions does not answer this. Training is stochastic, so two reconstructions of an unchanged space never coincide, and the second visit is often a quick re-scan with far fewer photographs. We propose GS-Pool, which takes two independently reconstructed Gaussian fields of the same space and returns the changed objects in each, together with their masks. SAM2 masks of each visit's photographs are lifted onto the Gaussians that render them and merged into an object pool, so every decision is taken once per object in 3D. We introduce a photographic carrier, the 3DGS training loss of each input reconstruction against the other visit's photographs, backpropagated to the Gaussians that rendered each pixel. We combine it with GS-Diff's geometry and colour terms and our distilled DINOv3 features. This evidence is compared with that of the objects present in both visits, which sets a change threshold for each scene. On PASLCD, GS-Pool reaches mIoU/F1 scores of 0.751/0.846 against 0.644/0.758 for GS-Diff, the strongest prior method, a gain of 17%/12%. Its mIoU is also 36%, 40% and 57% above that of O-SCD, PlenoCI and MV-3DCD, and it reaches 0.855 mIoU on CL-Splats, 33% above MV-3DCD. Each changed object is returned as a set of Gaussians with the evidence behind its decision, which an inspector can review in 3D.
• Abstract（参考訳）: 工場、博物館、測量士は同じ空間を数ヶ月かけて撮影し、どの物体が変わったかを知る必要がある。 それぞれの訪問を3Dガウススプラッティング(3DGS)で再構築した場合、両者の直接比較はこれに答えない。 訓練は確率的であるため、変化しない空間の2つの再構築は決して一致せず、2回目の訪問は、はるかに少ない写真で素早く再スキャンされることが多い。 本稿では,同じ空間のガウス場を2つの独立に再構成したGS-Poolを提案する。 各訪問者の写真のSAM2マスクはガウシアンに持ち上げられ、それらをレンダリングしてオブジェクトプールにマージする。 撮影キャリアを導入し,各画素をレンダリングしたガウス人にバックプロパガンダした他者の写真に対する入力再構成の3DGSトレーニング損失について検討した。 GS-Diffの幾何学と色用語と、蒸留したDINOv3の特徴を組み合わせたものです。 この証拠は、両方の訪問に存在するオブジェクトと比較され、各シーンに変化の閾値が設定される。 PASLCDでは、GS-PoolのmIoU/F1スコアが0.751/0.846、GS-Diffの0.644/0.758、最強の17%/12%に達する。 また、mIoUはO-SCD、PlenoCI、MV-3DCDより36%、40%、57%高く、CL-Splatsでは0.855 mIoU、MV-3DCDより33%高い。 変更された各オブジェクトは、その決定の背後にある証拠を持つガウスの集合として返され、インスペクタは3Dでレビューできる。

関連論文リスト

• Seed2GS: Camera-Free, Training-Free Object Extraction from 3D Gaussian Scenes via a Single Reference-View Grounding [14.67251680492843]
  本稿では,LERF-MASKの精度が最も高いSeed2GSについて述べる。 主な洞察は、ターゲットIDを3Dカバレッジから分離することである。QD-SAM3は、複数のオープン語彙候補から信頼できる参照マスクを1つ選択し、IDを一度修正する。
  論文  参考訳（メタデータ） (2026-08-12T11:16:44Z)
• G$^2$SR: Geometric Methods for Fast and Memory-Efficient Gaussian-based Surface Reconstruction [19.375316989051758]
  RGB画像からシーンの可視面を復元する様子はほとんどない。 G2SRは、画像平面上の2Dガウススプレートを検出し追跡するために軽量なニューラルを使用する。 ScanNet、Replica、DTUでは、G2SRは最先端のエンドツーエンドの手法の幾何的精度と一致するか、あるいは超える。
  論文  参考訳（メタデータ） (2026-07-16T01:33:37Z)
• GeneralVLA-2: Geometry-Aware Reconstruction and Governed Memory for Robot Planning [61.35267583855844]
  GeneralVLAは、言語とRGB-Dの観察を3Dのエンドエフェクタパスに変換するための階層インターフェースを提供する。 幾何誘導型MV-SAM3D再構成部であるGeoFuse-MV3Dを紹介する。 我々はKnowledgeBankを長期記憶システムにアップグレードする。
  論文  参考訳（メタデータ） (2026-06-16T03:45:24Z)
• 3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement [2.2122801766964795]
  3DGS-CDは3Dシーンにおける物体の物理的配置を検出する最初の3Dガウス散乱(3DGS)に基づく手法である。 提案手法では,異なる時間に撮影された2つの不整合画像を比較して3次元オブジェクトレベルの変化を推定する。 提案手法は,18秒以内のスパース画像を用いて,散在する環境の変化を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-11-06T07:08:41Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• Z-Splat: Z-Axis Gaussian Splatting for Camera-Sonar Fusion [20.464224937528222]
  3Dシーンを再構成するためのコンピュータビジョンとグラフィックにおいて、微分可能な3D-ガウススプラッティング(GS)が顕著な技術として登場している。 GSはよく知られた「抜ける円錐」問題に悩まされており、深さ軸に沿った再建が不十分である。 RGBカメラデータとソナーデータを同時に利用する融合アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-06T17:23:43Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)
• Gaussian Grouping: Segment and Edit Anything in 3D Scenes [65.49196142146292]
  ガウシアン・グルーピング(ガウシアン・グルーピング)はガウシアン・スプラッティングを拡張して,オープンワールドの3Dシーンで何かを共同で再構築・分割する。 暗黙のNeRF表現と比較すると,グループ化された3次元ガウシアンは,高画質,微粒度,高効率で,あらゆるものを3次元で再構成,分割,編集することができる。
  論文  参考訳（メタデータ） (2023-12-01T17:09:31Z)

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。