論文の概要: CompMVR: Compression-Aware Multi-View Restoration Using Diffusion Models for Geometrically Consistent 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2610.32800v1
• Date: Fri, 23 Oct 2026 15:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.597953
• Title: CompMVR: Compression-Aware Multi-View Restoration Using Diffusion Models for Geometrically Consistent 3D Reconstruction
• Title（参考訳）: CompMVR: 幾何学的に整合した3次元再構成のための拡散モデルを用いた圧縮対応多視点再生
• Abstract要約: 実世界の3D再構成パイプラインは、しばしば、損失のある圧縮によって劣化したマルチビュー画像に依存している。 圧縮対応多視点拡散復元フレームワークCompMVRを提案する。 再生品質と下流の3Dタスクでは,新規ビュー合成,カメラポーズ推定,ビューマッチングが向上した。
• 参考スコア（独自算出の注目度）: 12.174843228044615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world 3D reconstruction pipelines often rely on multi-view images degraded by lossy compression. While compression artifacts have been extensively studied in single-image or video restoration, their impact on multi-view geometry remains largely overlooked. In this work, we identify compression-induced cross-view geometric inconsistency as a critical failure mode, where view-dependent artifacts disrupt feature matching, dense correspondence, camera parameter estimation, and downstream 3D reconstruction tasks such as novel view synthesis. To address this problem, we propose CompMVR, a compression-aware multi-view diffusion restoration framework that jointly refines compressed views while preserving cross-view consistency, and construct compressed datasets for systematic evaluation. Unlike conventional restoration methods that optimize each image independently for 2D perceptual quality, CompMVR leverages learned compression priors and cross-view correspondence to recover visual details while improving geometric reliability across views. Experiments across diverse datasets, codecs, and compression levels demonstrate gains in restoration quality and downstream 3D tasks, including novel-view synthesis, camera pose estimation, and view matching. These results establish compressed multi-view restoration as a distinct problem and highlight its importance for 3D reconstruction under lossy compression. Code and data for this paper are available at https://mchaewon.github.io/CompMVR-project-page/.
• Abstract（参考訳）: 実世界の3D再構成パイプラインは、しばしば、損失のある圧縮によって劣化したマルチビュー画像に依存している。 圧縮アーティファクトはシングルイメージやビデオの復元において広く研究されてきたが、多視点幾何学への影響はほとんど見過ごされ続けている。 本研究では,圧縮誘起幾何的不整合を臨界故障モードとみなし,ビュー依存アーティファクトが特徴マッチング,高密度対応,カメラパラメータ推定,新しいビュー合成などの下流3次元再構成タスクを妨害する。 この問題を解決するために,圧縮対応多視点拡散復元フレームワークCompMVRを提案する。 CompMVRは、各画像を2次元の知覚的品質で独立に最適化する従来の復元方法とは異なり、学習された圧縮先とクロスビュー対応を活用して、ビュー間の幾何的信頼性を改善しながら、視覚的詳細を回復する。 さまざまなデータセット、コーデック、圧縮レベルにわたる実験は、新しいビュー合成、カメラポーズ推定、ビューマッチングを含む、復元品質と下流の3Dタスクの増加を示す。 これらの結果から, 圧縮多視点復元が重要な課題となり, 損失圧縮下での3次元再構成の重要性が浮き彫りになった。 この論文のコードとデータはhttps://mchaewon.github.io/CompMVR-project-page/で公開されている。

関連論文リスト

• DecoRec: Decomposed 3D Scene Reconstruction from Single-View Images via Object-Level Diffusion [65.65756111062005]
  textitDecoRecは、単一のビュー2D画像を分解された3Dシーンメッシュに高めるように設計されたシステムである。 以上の結果から,DecoRecはジオメトリと新規合成の両面において,高品質なワンビューシーン再構築を促進することが示唆された。
  論文  参考訳（メタデータ） (2026-05-16T04:23:48Z)
• VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
  VidSplatは、トレーニング不要な生成的再構築フレームワークである。 生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。 広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
  論文  参考訳（メタデータ） (2026-05-12T02:20:31Z)
• CompSplat: Compression-aware 3D Gaussian Splatting for Real-world Video [12.1564345841374]
  文化遺産保存、デジタル双生児、没入型メディアなどの応用には、現実世界のビデオからの高品質なノベルビュー合成(NVS)が不可欠である。 本稿では,フレーム単位の圧縮特性を明示的にモデル化する圧縮対応学習フレームワークCompSplatを提案する。
  論文  参考訳（メタデータ） (2026-02-10T14:23:42Z)
• RealX3D: A Physically-Degraded 3D Benchmark for Multi-view Visual Restoration and Reconstruction [51.07270086169647]
  RealX3Dグループは、照明、散乱、ぼかしを含む4つのファミリーに腐敗し、それぞれを複数の重度レベルで捕獲する。 それぞれのシーンには高解像度キャプチャ、RAW画像、高密度レーザースキャンが含まれており、そこから世界規模のメッシュとメートル法深度を導き出す。
  論文  参考訳（メタデータ） (2025-12-29T12:57:19Z)
• UniVerse: Unleashing the Scene Prior of Video Diffusion Models for Robust Radiance Field Reconstruction [73.29048162438797]
  ビデオ拡散モデルに基づくロバストな再構築のための統一フレームワークUniVerseを紹介する。 具体的には、UniVerseはまず、一貫性のない画像を最初のビデオに変換し、その後、特別に設計されたビデオ拡散モデルを使って、それらを一貫したイメージに復元する。 合成と実世界の両方のデータセットを用いた実験は,頑健な再構築において,我々の手法の強い一般化能力と優れた性能を示す。
  論文  参考訳（メタデータ） (2025-10-02T04:50:18Z)
• All-in-One Image Compression and Restoration [55.25638059492943]
  我々はオールインワン画像の圧縮と復元のための統一的なフレームワークを提案する。 様々な劣化に対する画像復元機能を画像圧縮のプロセスに組み込む。
  論文  参考訳（メタデータ） (2025-02-05T22:21:05Z)
• BVI-CR: A Multi-View Human Dataset for Volumetric Video Compression [14.109939177281069]
  BVI-CRは18のマルチビューRGB-Dキャプチャとそれに対応するテクスチャ化された多角形メッシュを含んでいる。 各ビデオシーケンスは、30FPSで10～15秒間の1080p解像度で10ビューを含む。 その結果、ボリュームビデオ圧縮におけるニューラル表現に基づく手法の大きな可能性を示した。
  論文  参考訳（メタデータ） (2024-11-17T23:22:48Z)
• Implicit-explicit Integrated Representations for Multi-view Video Compression [40.86402535896703]
  マルチビュービデオ圧縮のための暗黙的・明示的統合表現を提案する。 提案するフレームワークは,暗黙的なニューラル表現と明示的な2Dデータセットの長所を組み合わせたものだ。 提案するフレームワークは,最新のマルチビュービデオ圧縮標準MIVに匹敵する,あるいはさらに優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2023-11-29T04:15:57Z)

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。