論文の概要: RoboCloth: A Large-Scale Real Cloth Material Dataset for Neural Reflectance Reconstruction

• arxiv url: http://arxiv.org/abs/2610.21090v1
• Date: Thu, 15 Oct 2026 01:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.124491
• Title: RoboCloth: A Large-Scale Real Cloth Material Dataset for Neural Reflectance Reconstruction
• Title（参考訳）: RoboCloth:ニューラルリフレクタンス再構築のための大規模リアル衣服素材データセット
• Abstract要約: 今回紹介するRoboClothは、フレキシブルでキャリブレーションされたカメラと照明の下でキャプチャされた500個の本物の布材のデータセットで、どちらも買収時にロボット制御される。 ステージ1では、コーパス上の共有デコーダをトレーニングして、布素材の事前学習を行い、ステージ2ではデコーダを凍結し、ターゲット素材に2048x2048の潜伏テクスチャを適合させる。 我々は、既存の反射率データセットと解析的PBRフィッティングに基づいてトレーニングされたデコーダよりも優れたキャプチャを訓練したデコーダが、修正せずに未確認の取得システムに転送されることを示す。
• 参考スコア（独自算出の注目度）: 29.87373707617706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present RoboCloth, a dataset of 500 real cloth materials captured under flexible, calibrated camera and lighting configurations, where both are robotically controlled during acquisition. Each material is imaged in approximately 580 high-dynamic range frames spanning a wide view-light hemisphere; camera poses are refined via structure-from-motion and aligned to the robot frame, yielding per-material sparse surface geometry and structured per-point reflectance observations ready for neural material training. We demonstrate the value of this data through a two-stage neural reconstruction pipeline: Stage 1 trains a shared MLP decoder on our corpus to learn cloth material priors; Stage 2 then freezes the decoder and fits a dense 2048x2048 latent texture to each target material. Evaluating on held-out materials from our own dataset and on the independent UBO2014 benchmark, we show that a decoder trained on our captures outperforms decoders trained on existing measured reflectance datasets and analytic PBR fitting, transferring to unseen acquisition systems without modification. The dataset, calibration files, observation tensors, and train/test splits are released under CC BY 4.0 on the Hugging Face Hub.
• Abstract（参考訳）: 今回紹介するRoboClothは、フレキシブルでキャリブレーションされたカメラと照明構成の下でキャプチャされた500個の本物の布材のデータセットで、どちらも買収時にロボット制御される。 カメラのポーズは、構造から移動し、ロボットのフレームに整列し、素材ごとのスパース表面形状と、ニューラルネットワークのトレーニングの準備が整ったポイント毎の反射率観察を提供する。 ステージ1は、私たちのコーパス上で共有MLPデコーダを訓練し、布素材を学習し、ステージ2はデコーダを凍結し、ターゲット材料に2048x2048の潜伏テクスチャを適合させる。 既存の反射率データセットと解析的PBRフィッティングに基づいてトレーニングされたデコーダのキャプチャで訓練されたデコーダが、修正することなく未確認の取得システムに転送されることが、我々のデータセットと独立UBO2014ベンチマークから評価された。 データセット、校正ファイル、観察テンソル、および列車/テストスプリットは、Hugging Face HubのCC BY 4.0でリリースされる。

関連論文リスト

• E2Pano: Learning Event-to-Panorama Image Reconstruction [24.15642018033131]
  E2Panoは、幾何学誘導型イベント・ツー・パノラマパイプラインで、エンドツーエンドで学習可能な光度再構成ステージを備える。 我々のフレームワークは、パイプライン全体を通して幾何学的マッピングから実際の球面座標を保存する。 イベントストリームと組み合わせた4,370の合成と30の現実世界のパノラマシーンからなるデータセットであるPanoScanを構築した。
  論文  参考訳（メタデータ） (2026-08-01T14:45:12Z)
• 3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, and Low-Texture Objects [41.25903201175962]
  3DReflecNetは22TBを超える大規模ハイブリッドデータセットである。 このデータセットは、様々な材料、複雑な照明条件、幅広い幾何学的形態にまたがる。 我々は、画像マッチング、構造移動、新しいビュー合成、削除、リライティングの5つのコアタスクのベンチマークを設計する。
  論文  参考訳（メタデータ） (2026-05-11T08:51:28Z)
• The Dresden Dataset for 4D Reconstruction of Non-Rigid Abdominal Surgical Scenes [20.77602532924985]
  D4Dデータセットは、変形する腹部軟部組織の3D再構成を評価するための、内視鏡的ビデオと高品質な構造化光幾何を提供する。 da Vinci Xiステレオ内視鏡とZivid構造化光カメラを用いて、6つのブタのキャデバーセッションからデータを得た。 このリソースは、非剛性SLAM、4D再構成、深さ推定方法の開発および評価のための総合的なベンチマークとして機能する。
  論文  参考訳（メタデータ） (2026-03-03T13:37:02Z)
• YCB-Ev SD: Synthetic event-vision dataset for 6DoF object pose estimation [2.1485350418225244]
  YCB-Ev SDは6DoFオブジェクトのポーズ推定のための標準定義(SD)におけるイベントカメラデータのデータセットである。 物理ベースレンダリングシーンから合成した34ms間隔のイベントシーケンスを5万件提示する。
  論文  参考訳（メタデータ） (2025-11-14T14:32:03Z)
• MegaSynth: Scaling Up 3D Scene Reconstruction with Synthesized Data [59.88075377088134]
  合成データを用いたトレーニングにより3次元シーン再構成のスケールアップを提案する。 私たちの研究の中心は、700Kシーンからなる手続き的に生成された3DデータセットであるMega Synthです。 実験の結果,Mega Synthとの共同トレーニングや事前トレーニングにより,画像領域間で1.2～1.8dBPSNRの再現性が改善された。
  論文  参考訳（メタデータ） (2024-12-18T18:59:38Z)
• BVI-RLV: A Fully Registered Dataset and Benchmarks for Low-Light Video Enhancement [56.97766265018334]
  本稿では,2つの異なる低照度条件下での様々な動きシナリオを持つ40のシーンからなる低照度映像データセットを提案する。 我々は、プログラム可能なモータードリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供し、異なる光レベルにわたるピクセルワイドフレームアライメントのための画像ベースアプローチによりそれを洗練する。 実験の結果,Low-light Video enhancement (LLVE) における完全登録ビデオペアの重要性が示された。
  論文  参考訳（メタデータ） (2024-07-03T22:41:49Z)
• RTMV: A Ray-Traced Multi-View Synthetic Dataset for Novel View Synthesis [104.53930611219654]
  約2000の複雑なシーンからレンダリングされた300k画像からなる,新しいビュー合成のための大規模合成データセットを提案する。 データセットは、新しいビュー合成のための既存の合成データセットよりも桁違いに大きい。 高品質な3Dメッシュの4つのソースを使用して、私たちのデータセットのシーンは、カメラビュー、照明、形状、材料、テクスチャの難しいバリエーションを示します。
  論文  参考訳（メタデータ） (2022-05-14T13:15:32Z)
• Multi-sensor large-scale dataset for multi-view 3D reconstruction [63.59401680137808]
  マルチビュー3次元表面再構成のための新しいマルチセンサデータセットを提案する。 スマートフォン、Intel RealSense、Microsoft Kinect、産業用カメラ、構造化光スキャナーなどだ。 14の照明条件下で100方向から取得した107の異なるシーンの約1.4万枚の画像を提供する。
  論文  参考訳（メタデータ） (2022-03-11T17:32:27Z)

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。