論文の概要: MoonGS: High-quality Representation of the Lunar Surface via Gaussian Splatting Using Robust Depth Features from Image Pairs

• arxiv url: http://arxiv.org/abs/2610.07110v1
• Date: Mon, 05 Oct 2026 15:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.564196
• Title: MoonGS: High-quality Representation of the Lunar Surface via Gaussian Splatting Using Robust Depth Features from Image Pairs
• Title（参考訳）: MoonGS:画像ペアのロバスト深度特徴を用いたガウススプレイティングによる月面の高品質表現
• Abstract要約: 粗いローバー画像から月面地形の高品質な3D再構成は、自律的な月探査には不可欠である。 月景に適した3Dガウシアン・スプレイティング・フレームワークであるMoonGSを提案する。 以上の結果から,MoonGSは最新フィードフォワードNeRF/3DGSベースラインを+4.9dBPSNR,+0.29SSIM,40%低いLPIPSで上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 28.359905182950282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality 3D reconstruction of lunar terrain from sparse rover images is indispensable for autonomous lunar exploration, but remains challenging because viewpoint overlap is insufficient, surface textures are weak, and data volume is limited. We propose MoonGS, the first feed-forward 3D Gaussian Splatting framework tailored to lunar scenes. Given only two input images, MoonGS predicts pixel-aligned Gaussian primitives in a single forward pass and renders photorealistic novel views without any per-scene optimization. MoonGS (i) adopts an adaptable backbone design that seamlessly integrates advanced vision foundation models to extract robust depth features; (ii) integrates semantic priors in two manners: merging semantic cues with visual features to refine Gaussian parameter estimation, and adopting a semantic ranking loss that regularizes background depth; and (iii) employs an entropy-guided heuristic resampling strategy to augment sparse observations by selecting the most informative distant viewpoints with negligible overhead. Experiments on the LuSNAR benchmark and our synthetic weak-texture MoonBlender dataset show that MoonGS surpasses state-of-the-art feed-forward NeRF/3DGS baselines by +4.9 dB PSNR, +0.29 SSIM, and 40\% lower LPIPS while maintaining sub-second inference. Furthermore, we validate the broad applicability of our framework by demonstrating that it effectively leverages state-of-the-art backbones, including VGGT, to significantly boost performance. Qualitative evaluations on Chang'e mission imagery also show the best visual quality among compared methods, indicating robustness on real lunar data. The source code and dataset are publicly available at https://github.com/InRobots/MoonBlender.
• Abstract（参考訳）: 粗いローバー画像からの月面地形の高品質な3次元再構成は、自律的な月探査には不可欠であるが、視点の重なりが不足し、表面テクスチャが弱く、データボリュームが限られているため、依然として困難である。 月景に適した3Dガウシアン・スプレイティング・フレームワークであるMoonGSを提案する。 入力画像が2つしかないと、MoonGSは1つのフォワードパスでピクセルアラインのガウスプリミティブを予測し、シーンごとの最適化なしにフォトリアリスティックなノベルビューをレンダリングする。 MoonGS i) 高度な視覚基盤モデルをシームレスに統合し、堅牢な深度特徴を抽出する適応可能なバックボーン設計を採用する。 (二)意味的先行を2つの方法で統合する:意味的手がかりと視覚的特徴を融合してガウス的パラメータ推定を洗練し、背景深度を規則化する意味的ランキング損失を採用する。 (三)エントロピー誘導のヒューリスティック・リサンプリング・ストラテジーを用いて、最も情報に富む遠方の視点を無視可能なオーバーヘッドで選択することにより、スパース観測を増強する。 LuSNARベンチマークと我々の合成弱テクスチュアであるMoonBlenderデータセットによる実験により、MoonGSは、サブ秒の推論を維持しながら、+4.9dB PSNR、+0.29 SSIM、および40\%低いLPIPSで、最先端のフィードフォワードNeRF/3DGSベースラインを超えることが示された。 さらに,VGGTを含む最先端のバックボーンを効果的に活用し,性能を大幅に向上させることで,フレームワークの広範な適用性を検証する。 チャンのミッション画像の質的評価は、実際の月データに堅牢性を示すため、比較手法の中でも最良の視覚的品質を示す。 ソースコードとデータセットはhttps://github.com/InRobots/MoonBlender.comで公開されている。

関連論文リスト

• Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis [17.82023714307905]
  本稿では,古典的対応に基づくパイプラインから離れる視覚的再ローカライズ手法を提案する。 私たちの重要な貢献は、測光と幾何学的損失を組み合わせた幾何学的学習戦略です。 この共同最適化により3DGSモデルが生成され,その基礎となるシーン形状に適合することを示す。
  論文  参考訳（メタデータ） (2026-07-24T09:46:07Z)
• MoonAnything: A Vision Benchmark with Large-Scale Lunar Supervised Data [0.13999481573773068]
  既存の月のデータセットには、幾何学的基底真理、測光的リアリズム、照明の多様性、大規模カバレッジが欠落している。 実際の月面地形上に物理ベースのレンダリングで構築された統合ベンチマークであるMoonAnythingを紹介する。 我々は最先端の手法を使ってベースラインを確立し、コミュニティ拡張をサポートする生成ツールとともに完全なデータセットをリリースする。
  論文  参考訳（メタデータ） (2026-04-01T09:39:15Z)
• Adapting Stereo Vision From Objects To 3D Lunar Surface Reconstruction with the StereoLunar Dataset [0.12314765641075437]
  月の最初のステレオ画像ペアのオープンデータセットであるLunarStereoを紹介する。 月面の南極周辺の様々な高度、照明条件、視角をカバーしている。 我々はLunarStereoの微調整によりMASt3Rモデルを月領域に適応させる。
  論文  参考訳（メタデータ） (2025-10-20T23:50:52Z)
• Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
  本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。 提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2025-10-11T08:13:46Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering [47.879695094904015]
  そこで本研究では,地上ロボット軌道データセットのための新しいビューレンダリングアルゴリズムであるMode-GSを提案する。 提案手法は,既存の3次元ガウススプラッティングアルゴリズムの限界を克服する目的で,アンカー付きガウススプラッターを用いている。 提案手法は,PSNR,SSIM,LPIPSの計測値に基づいて,自由軌道パターンを持つ地上環境におけるレンダリング性能を向上する。
  論文  参考訳（メタデータ） (2024-10-06T23:01:57Z)
• GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
  3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。 我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。 フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-26T02:35:09Z)

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。