論文の概要: MicroSplat: Towards Automating 3D Small-Scale Reconstruction

• arxiv url: http://arxiv.org/abs/2610.23899v1
• Date: Mon, 28 Sep 2026 19:49:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:42:11.89702
• Title: MicroSplat: Towards Automating 3D Small-Scale Reconstruction
• Title（参考訳）: MicroSplat: 3Dの小型再構築の自動化を目指して
• Abstract要約: マニピュレータアーム上に低コストの消費者向け顕微鏡を用いて3DGSを生成するMicroSplatを提案する。 画像から鮮明なシーンを推定する,ぼやけた3DGS法との比較を行った。 ロボットとカメラパラメータを含むリアルおよび合成データセットと、装着した3DGS再構成を提供する。
• 参考スコア（独自算出の注目度）: 1.6093668627931697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing sub-millimeter detail of small objects underpins tasks such as circuit-board defect detection, specimen digitization, and archiving. 3D Gaussian Splatting (3DGS) makes photorealistic reconstruction possible from posed images alone, but macro optics violate two conditions it depends on. The field of view (FOV) and the depth of field (DoF) shrink to millimeters, so viewpoint error can take a sample out of frame, and only a thin focal plane is sharp in frame. Existing automated macro-capture rigs handle the shallow DoF with per-view focus stacking, but typically rely on classical photogrammetry and offline, human-in-the-loop processing. We present MicroSplat, which generates a 3DGS using a low-cost consumer microscope on a manipulator arm. After a single up-front object-localization step, the system runs unattended. It performs calibration, plans collision-free viewpoints, captures and fuses a focal stack at each viewpoint, segments the object across all views, and optimizes a 3DGS model warm-started with the arm's own poses. We further compare against blur-aware 3DGS methods, which infer sharp scenes from defocused images, and find that measuring sharpness with a controlled focal sweep outperforms inferring it. We provide real and synthetic datasets (including robot and camera parameters) and the fitted 3DGS reconstructions.
• Abstract（参考訳）: 小型物体のサブミリ細部を再構築することは、回路基板欠陥検出、検体デジタル化、アーカイビングといったタスクを支える。 3D Gaussian Splatting (3DGS)は、ポーズ画像のみから光写実的再構成を可能にするが、マクロ光学はそれに依存する2つの条件に違反する。 視野(FOV)と視野深度(DoF)はミリメートルに縮まり、視点誤差はフレームからサンプルを取り出すことができ、細い焦点平面のみがフレーム内で鋭い。 既存のマクロキャプチャーリグはビューごとのスタックングで浅いDoFを処理するが、典型的には古典的なフォトグラム測定とオフラインのヒューマン・イン・ザ・ループ処理に依存している。 マニピュレータアーム上に低コストの消費者向け顕微鏡を用いて3DGSを生成するMicroSplatを提案する。 事前の1つのオブジェクトローカライゼーションステップの後、システムは意図せずに実行される。 キャリブレーションを行い、衝突のない視点を計画し、各視点で焦点スタックをキャプチャしてヒューズし、オブジェクトをすべてのビューに分割し、アーム自身のポーズでウォームスタートした3DGSモデルを最適化する。 さらに,非焦点画像からシャープなシーンを推定する,ぼやけた3DGS法と比較し,制御された焦点スイープによるシャープネスの測定がそれより優れていることを示す。 ロボットとカメラパラメータを含むリアルおよび合成データセットと、装着した3DGS再構成を提供する。

関連論文リスト

• OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
  OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。 射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。 代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
  論文  参考訳（メタデータ） (2026-09-08T19:45:58Z)
• ReX-Shot: Single-Image Rephotography via Geometry- and Camera-Grounded Generation [77.23728599741166]
  単一画像の再撮影は、特定の視点、焦点距離、写真効果を持つ単一の参照画像からシーンの新しいショットを合成することを目的としている。 既存の方法は、これらの要因を別々に扱い、共同制御の下で苦労する。 ReX-Shotは、単一の画像から視点、焦点距離、パラメータ化された写真効果を共同制御する最初の統一されたフレームワークである。
  論文  参考訳（メタデータ） (2026-08-19T06:34:20Z)
• Joint Deblurring and 3D Reconstruction for Macrophotography [30.941639453575476]
  本稿では,マクロフォトグラフィの3次元再構成法を提案する。 オブジェクトのクリアな3次元モデルと各ピクセルのデフォーカスブラーカーネルを共同で最適化する。 提案手法は,画質の劣化だけでなく,高忠実度3D外観の復元も可能である。
  論文  参考訳（メタデータ） (2025-10-02T03:43:05Z)
• UniK3D: Universal Camera Monocular 3D Estimation [62.06785782635153]
  カメラをモデル化可能なモノクル3D推定法として,UniK3Dを提案する。 本手法では, 球面3次元表現を導入し, カメラとシーンの形状をよりよく切り離すことができる。 13の多様なデータセットに対する包括的なゼロショット評価は、3D、ディープ、カメラメトリクスにわたるUniK3Dの最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-20T17:49:23Z)
• FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
  FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。 当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。 包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
  論文  参考訳（メタデータ） (2024-12-12T18:52:53Z)
• Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
  我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。 我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。 我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-26T15:48:46Z)
• Dynamic 3D Scene Analysis by Point Cloud Accumulation [32.491921765128936]
  マルチビームLiDARセンサーは、自動運転車や移動ロボットに使われている。 各フレームは、角度のスキャンの解像度と閉塞が制限されているため、わずかにシーンをカバーしている。 本研究では,屋外の街路景観の帰納的バイアスを利用して,その幾何学的レイアウトとオブジェクトレベルの剛性を求める手法を提案する。
  論文  参考訳（メタデータ） (2022-07-25T17:57:46Z)
• Unsupervised Learning of Depth, Camera Pose and Optical Flow from Monocular Video [3.838877984537827]
  DFPNet - 単眼深度・光流・移動推定のための教師なし共同学習システム。 この事実を利用して、3つのコンポーネントをエンドツーエンドで共同でトレーニングします。 我々は、最先端DFPモデルのモデルサイズを5%未満(8.4Mパラメータ)に削減することができる。
  論文  参考訳（メタデータ） (2022-05-19T19:47:41Z)
• Single View Metrology in the Wild [94.7005246862618]
  本研究では,物体の3次元の高さや地上のカメラの高さで表現されるシーンの絶対的なスケールを再現する,単一ビューメロジに対する新しいアプローチを提案する。 本手法は,被写体の高さなどの3Dエンティティによる未知のカメラとの相互作用から,弱い教師付き制約を抑えるために設計されたディープネットワークによって学習されたデータ駆動の先行情報に依存する。 いくつかのデータセットと仮想オブジェクト挿入を含むアプリケーションに対して、最先端の定性的かつ定量的な結果を示す。
  論文  参考訳（メタデータ） (2020-07-18T22:31:33Z)

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。