論文の概要: RGBD-to-3D Object Mesh Refinement via Depth Matching and Symmetry Propagation
- arxiv url: http://arxiv.org/abs/2610.11187v1
- Date: Thu, 08 Oct 2026 03:44:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.783598
- Title: RGBD-to-3D Object Mesh Refinement via Depth Matching and Symmetry Propagation
- Title（参考訳）: 深さマッチングと対称性伝搬によるRGBD-to-3D物体メッシュ微細化
- Abstract要約: シングルビュー3Dコンストラクタは入力ビューに反するメッシュを生成することが多い。
本稿では,RGB-to-3Dリコンストラクタをリトレーニングせずに改良する軽量なRGBD-to-3Dリコンストラクタを提案する。
- 参考スコア（独自算出の注目度）: 54.86158045489773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-view 3D reconstructors often produce plausible meshes that disagree with the input view, especially near depth discontinuities and self-occlusions. We present a lightweight, plug-and-play RGBD-to-3D refinement that improves any RGB-to-3D reconstructor without retraining. Given a depth map, we correct the visible surface by bipartite matching to back-projected depth points, mirror these corrections onto the occluded side across a detected symmetry plane, and propagate them with a smoothness solver. Every stage is closed-form, making the method orders of magnitude faster than optimization-heavy test-time refinement. On GSO and OmniObject3D with five backbones, it yields consistent gains, also with monocular pseudo-depth, benefits more from symmetry on symmetric objects, and compares favorably with prior refinement in accuracy and runtime. It further improves an RGB-D-to-mesh reconstructor and transfers to real captures with noisy sensor depth.
- Abstract（参考訳）: シングルビュー3Dコンストラクタは入力ビューに反する可塑性メッシュを生成することが多い。
本稿では,RGB-to-3Dリコンストラクタをリトレーニングせずに改良する軽量なRGBD-to-3Dリコンストラクタを提案する。
深度マップが与えられた場合、両部を後方投影深度点に合わせることで可視面を補正し、検出された対称性平面を横切る閉塞面にこれらの補正をミラーし、滑らかな解法でそれらを伝播する。
すべてのステージはクローズド形式であり、メソッドの順序は最適化に重きを置くテスト時間改善よりも桁違いに高速である。
5つのバックボーンを持つGSOとOmniObject3Dでは、一貫した利得が得られ、モノクロ擬似深度も得られ、対称オブジェクトの対称性からより恩恵を受け、精度と実行時の事前改善と好適に比較される。
さらにRGB-D-to-meshコンストラクタを改善し、ノイズの多いセンサー深度で実際のキャプチャに転送する。
関連論文リスト
- RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting [20.29273985020268]
本稿では,ロボットのRGBマップから深度を推定するRIDEを提案する。
実験では、深度精度が向上し、時間的整合性尺度のみの校正が可能になった。
論文 参考訳（メタデータ） (2026-09-10T04:36:58Z) - GaussianDS: Depth-supervised Semantic Gaussian Splatting for Scene Understanding [9.586802962641013]
3D Gaussian Splattingは、3D再構成のための効率的な表現を提供する。
最近の拡張は、オープン語彙のシーン理解のためにガウス語に意味属性を付ける。
本稿では,セマンティックリフティングを統括的アライメント問題として扱う,奥行き管理型セマンティック3DGSフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-22T05:27:16Z) - MyGO-Splat: Multi-Objective Closed-Loop Geometric Feedback for RGB-Only Gaussian SLAM [22.81691196847663]
MyGO-Splatは閉ループガウスのSLAMフレームワークで、プリミティブをピクセル幅の深さと表面の正規に解析する。
この閉ループ設計によりスケール安定性と外観形状の整合性が向上し,単分子入力のみを使用しながらRGB-D法に匹敵する性能が得られることを示す。
論文 参考訳（メタデータ） (2026-06-29T03:22:06Z) - Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - 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) - Visual SLAM with 3D Gaussian Primitives and Depth Priors Enabling Novel View Synthesis [11.236094544193605]
従来の幾何学に基づくSLAMシステムは、密度の高い3D再構成機能を持たない。
本稿では,新しいビュー合成技術である3次元ガウススプラッティングを組み込んだリアルタイムRGB-D SLAMシステムを提案する。
論文 参考訳（メタデータ） (2024-08-10T21:23:08Z) - 2D Gaussian Splatting for Geometrically Accurate Radiance Fields [50.056790168812114]
3D Gaussian Splatting (3DGS)は近年,高画質の新規ビュー合成と高速レンダリングを実現し,放射界再構成に革命をもたらした。
多視点画像から幾何学的精度の高い放射場をモデル化・再構成するための新しいアプローチである2DGS(2D Gaussian Splatting)を提案する。
競合する外観品質、高速トレーニング速度、リアルタイムレンダリングを維持しつつ、ノイズフリーかつ詳細な幾何学的再構成を可能にする。
論文 参考訳（メタデータ） (2024-03-26T17:21:24Z)
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。