論文の概要: Learning from Automatic 3D Gaussian Splatting Edits for Online Bayesian Scene Change Detection

• arxiv url: http://arxiv.org/abs/2610.28490v1
• Date: Tue, 20 Oct 2026 16:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.922858
• Title: Learning from Automatic 3D Gaussian Splatting Edits for Online Bayesian Scene Change Detection
• Title（参考訳）: オンラインベイズシーン変化検出のための自動3次元ガウス分割編集からの学習
• Abstract要約: オンラインのシーン変更検出では、参照シーンに対してどの領域が変更されたかを決定するために、入ってくる観察を統合する必要がある。 自動編集から3Dガウススプラッティング(3DGS)モデルへオフラインで学習することで,これらの課題に対処する。 オンライン予測は、現在の証拠を歴史的支援と組み合わせ、学習された応答統計によってパラメータ化されたクローズドフォームな局所ベイズ因子は、蓄積された3Dガウス場を更新する。 PASLCDとCS3Dの最先端精度は,それぞれ67.64%,mIoUは75.82%である。
• 参考スコア（独自算出の注目度）: 2.9506547907696006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online scene change detection requires integrating incoming observations to determine which regions have changed relative to a reference scene. We update change beliefs as new images arrive using generalised Bayesian evidence fusion. However, the prior probability of change and evidence models are unknown beforehand, and numerical Bayesian inference can be costly. We address these challenges by learning offline from automatic edits to a reference 3D Gaussian Splatting (3DGS) model. These edits generate labelled training views without manual annotations. Together with unchanged reference observations, they provide supervision for learning scene-specific evidence models and estimating the effective pixel prior and response statistics. Online prediction combines current evidence with historical support, while closed-form local Bayes factors, parameterized by the learned response statistics, update an accumulated 3D Gaussian field. Object-guided refinement produces the final change masks. Our method achieves state-of-the-art accuracy on PASLCD and CCS3D, with $67.64\%$ and $75.82\%$ mIoU, respectively. On PASLCD, the complete pipeline runs at $17.2$\,FPS over complete query sequences, the fastest among the evaluated online methods.
• Abstract（参考訳）: オンラインのシーン変更検出では、参照シーンに対してどの領域が変更されたかを決定するために、入ってくる観察を統合する必要がある。 新しい画像が一般化されたベイズ証拠融合(英語版)を用いて到着すると、変化の信念を更新する。 しかし、変化とエビデンスモデルの事前確率は事前に不明であり、数値ベイズ推定はコストがかかる可能性がある。 自動編集から3Dガウススプラッティング(3DGS)モデルへオフラインで学習することで,これらの課題に対処する。 これらの編集は手動のアノテーションなしでラベル付きトレーニングビューを生成する。 不規則な参照観察とともに、シーン固有のエビデンスモデルを学習し、有効画素の事前及び応答統計を推定するための監督を提供する。 オンライン予測は、現在の証拠を歴史的支援と組み合わせ、学習された応答統計によってパラメータ化されたクローズドフォームな局所ベイズ因子は、蓄積された3Dガウス場を更新する。 オブジェクト誘導リファインメントは、最終変更マスクを生成する。 本手法はPASLCDとCS3Dの最先端精度を67.64 %$と75.82 %$ mIoUで達成する。 PASLCDでは、完全なクエリシーケンス上で17.2$\,FPSでパイプラインが動作し、評価されたオンラインメソッドの中では最速である。

関連論文リスト

• SCOPE: Scale-Consistent One-Pass Estimation of 3D Geometry [69.89196162649091]
  SCOPE (Scale-Consistent One-Pass Estimation of 3D Geometry) は、拡張された単眼ビデオシーケンスから3次元幾何学を推定するための新しいアプローチである。 提案手法では,アフィン不変な3次元点マップを全列に共通パラメータで生成し,一貫したスケール不変表現を実現する。
  論文  参考訳（メタデータ） (2026-06-19T10:23:25Z)
• Adapting Point Cloud Analysis via Multimodal Bayesian Distribution Learning [47.975618905252354]
  マルチモーダルな3次元視覚言語モデルは多種多様な3次元タスクにまたがる強力な一般化を示すが、その性能はドメインシフトで顕著に低下する。 これはテストタイム適応に関する最近の研究を動機付けており、テストタイムデータを使ってモデルをオンラインに適応させることができる。 テストポイントクラウド分析のためのマルチモーダル分散学習フレームワークBayesMMを提案する。
  論文  参考訳（メタデータ） (2026-03-23T15:03:47Z)
• Variational Bayes Gaussian Splatting [42.22552326289562]
  3Dガウシアン・スプラッティングはガウシアンの混合物を用いて3Dシーンをモデル化するための有望なアプローチとして登場した。 本稿では,モデルパラメータに対する変分推論としてガウススプレートをトレーニングするための新しい手法である変分ベイズ・ガウス・スプラッティングを提案する。 実験の結果,VBGSは静的データセット上での最先端性能だけでなく,逐次ストリームされた2Dおよび3Dデータからの連続的な学習も可能であった。
  論文  参考訳（メタデータ） (2024-10-04T16:52:03Z)
• NeRFDeformer: NeRF Transformation from a Single View via 3D Scene Flows [60.291277312569285]
  本研究では,単一観測値に基づいてNeRF表現を自動的に修正する手法を提案する。 本手法は, 変形を3次元流れ, 特に剛性変換の重み付き線形ブレンディングとして定義する。 また,単一観測によるNeRFシーンの修正問題を探索するための新しいデータセットも導入した。
  論文  参考訳（メタデータ） (2024-06-15T07:58:08Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• VIBUS: Data-efficient 3D Scene Parsing with VIewpoint Bottleneck and Uncertainty-Spectrum Modeling [2.0624279915507047]
  3Dシーン解析モデルの訓練は、興味深い代替手段だ。 このタスクをデータ効率のよい3Dシーン解析と呼ぶ。 そこで本研究では,VIBUSという2段階の有効なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-20T17:59:57Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。