論文の概要: IGSW: Multi-Weather Urban Scene Reconstruction with Intrinsic-Decoupled Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2611.04374v1
• Date: Tue, 03 Nov 2026 06:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-10 01:16:48.272492
• Title: IGSW: Multi-Weather Urban Scene Reconstruction with Intrinsic-Decoupled Gaussian Splatting
• Title（参考訳）: IGSW : 内因性分離型ガウススプラッティングによるマルチウェザー都市景観復元
• Abstract要約: 4Dシーンの高忠実度気象編集は、エンドツーエンドのトレーニングと自動運転のためのクローズドループシミュレーションをサポートすることができる。 本報告では,本質的な4次元ガウシアンと構造保存型気象改善を組み合わせた2段階のフレームワークIGSWを提案する。
• 参考スコア（独自算出の注目度）: 13.15533377508182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity weather editing of 4D scenes can support end-to-end training and closed-loop simulation for autonomous driving. Combining generative image editing with dynamic Gaussian representations enables multi-weather scene reconstruction, but weather-edited images often contain structural distortions. Directly fitting their appearance may propagate errors from teacher images into the reconstructed 4D scene, compromising the original scene structure and temporal continuity. To address these challenges, we propose IGSW, a two-stage framework that combines intrinsic-decoupled 4D Gaussian scene modeling with structure-preserving weather refinement. In Stage I, background Gaussian appearance is decomposed into weather-shared albedo and normals and weather-specific irradiance and residuals. Weather teacher images generated by a diffusion-based image editing model and intrinsic maps estimated by a diffusion-based inverse renderer provide feature-level soft supervision for stable structure and illumination changes. In Stage II, a structure-preservation gate combines semantic conflicts with cross-weather intrinsic discrepancies to suppress unreliable teacher regions. Per-Gaussian weather transport variables and target-weather branches then strengthen the desired weather appearance over the intrinsic-decoupled scene. Experiments on nuScenes and Waymo show that IGSW achieves the highest content similarity and semantic consistency and the lowest temporal error among the compared methods, while retaining pronounced weather-dependent illumination and atmosphere. The project page is available at https://akaxi6.github.io/IGSW/ .
• Abstract（参考訳）: 4Dシーンの高忠実度気象編集は、エンドツーエンドのトレーニングと自動運転のためのクローズドループシミュレーションをサポートすることができる。 生成画像編集と動的ガウス表現を組み合わせることで、マルチウェザーシーンの再構築が可能になるが、天気編集画像は構造歪みを含むことが多い。 外観を直接合わせることで、教師画像からの誤りを再構成された4Dシーンに伝播させ、元のシーン構造と時間的連続性を妥協することができる。 これらの課題に対処するために,本質的な4次元ガウスシーンモデリングと構造保存型気象改善を組み合わせた2段階のフレームワークIGSWを提案する。 ステージIでは、背景のガウスの外観は、気象に偏ったアルベドと標準、気象固有の照射と残留物に分解される。 拡散型画像編集モデルと拡散型逆レンダラーで推定される固有マップにより生成された天気教師画像は,安定な構造と照明変化に対する特徴レベルのソフトインスペクションを提供する。 ステージIIでは、構造保存ゲートは、クロスウェザー固有の不一致とセマンティックコンフリクトを組み合わせ、信頼できない教師領域を抑える。 ガウス人あたりの気象輸送変数とターゲットウェザーの枝は、本質的に分離されたシーン上で、望ましい天気の外観を強化する。 nuScenes と Waymo の実験では、IGSW は、気象に依存した照明と大気を保ちながら、比較した手法の中で、最高内容の類似性とセマンティック一貫性と最低時間誤差を達成している。 プロジェクトページはhttps://akaxi6.github.io/IGSW/ で公開されている。

関連論文リスト

• Structure-retained low-rank adapters for weather synthesis [50.057469870031476]
  特に屋外シナリオにおけるコンピュータビジョンモデルの実際の展開は、悪天候などの環境干渉によって制限されることが多い。 本研究では、構造保持型ローランドアダプタ(LoRA)を利用した新しい気象合成フレームワークを用いてこの問題に対処する。 実験により,本手法は既存の合成手法を改良し,構造を保ちながら高いリアリズムを実現することを示した。
  論文  参考訳（メタデータ） (2026-10-28T08:00:41Z)
• NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
  劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。 特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
  論文  参考訳（メタデータ） (2026-03-28T10:46:29Z)
• WeatherCity: Urban Scene Reconstruction with Controllable Multi-Weather Transformation [19.48387412274678]
  本研究では,4次元都市景観復元と天気編集のための新しい枠組みであるWeatherCityを提案する。 具体的には,テキスト誘導画像編集モデルを用いて,背景画像のフレキシブルな編集を実現する。 本フレームワークは,4次元再構成と気象編集において,フレキシブルな制御性,高忠実度,時間的一貫性を実現する。
  論文  参考訳（メタデータ） (2026-02-25T16:44:12Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• WeatherDiffusion: Weather-Guided Diffusion Model for Forward and Inverse Rendering [40.94600501568197]
  WeatherDiffusionは、自動運転シーンの前方および逆レンダリングのための拡散ベースのフレームワークである。 本手法は, 物質特性, シーン形状, 照明の正確な推定を可能にするとともに, 制御可能な天気や照明の編集もサポートする。
  論文  参考訳（メタデータ） (2025-08-09T13:29:39Z)
• WeatherEdit: Controllable Weather Editing with 4D Gaussian Field [5.240297013713328]
  我々は3Dシーンで現実的な気象効果を生成するための新しい天気編集パイプラインであるWeatherEditを紹介する。 我々のアプローチは、気象背景編集と気象粒子構築という2つの重要な要素で構成されている。 複数の運転データセットの実験により、気象編集は制御可能な条件重大度で多様な気象効果を発生させることができることが示された。
  論文  参考訳（メタデータ） (2025-05-26T19:10:47Z)
• Controllable Weather Synthesis and Removal with Video Diffusion Models [61.56193902622901]
  WeatherWeaverは、様々な気象効果を直接入力ビデオに合成するビデオ拡散モデルである。 本モデルは,気象効果の強度を正確に制御し,様々な気象タイプをブレンドし,現実主義と適応性の両方を保証する。
  論文  参考訳（メタデータ） (2025-05-01T17:59:57Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)

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。