論文の概要: Predicting Void Points in Self-Occluding Forest Volumes

• arxiv url: http://arxiv.org/abs/2611.04548v1
• Date: Tue, 03 Nov 2026 09:12:46 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:52:19.707211
• Title: Predicting Void Points in Self-Occluding Forest Volumes
• Title（参考訳）: 自己排他的森林容積におけるボイド点の予測
• Abstract要約: この論文は、イメージングプロセスではなくトレーニングラベルを変更することで、この問題に対処する。 ガゼボのパイプラインは、3つの種にまたがる80-200の樹木を含む手続き林を生産する。 ホールドアウトシーンで4つのアーキテクチャが評価された。
• 参考スコア（独自算出の注目度）: 1.0195618602298682
• License:
• Abstract: Synthetic Aperture Imaging (SAI) enables drones to observe forest canopies by warping and averaging multiple displaced views at a common depth. However, occlusion is suppressed rather than eliminated, causing poorly observed regions to appear occupied and leading to systematic biomass overestimation. The Deep Forest project cannot distinguish reconstruction artifacts from real vegetation because its training data relies on measured reflectance points, excluding empty space and preventing the network from learning explicit occupancy boundaries. This thesis addresses the problem by modifying training labels rather than the imaging process. Each simulated scene is rendered twice: as a 9x9 grid of top-down captures for focal-stack generation and as 550 depth-clipped slabs derived from scene geometry to provide occupancy labels, explicitly representing void space as a negative class. A Gazebo pipeline generates procedural forest stands containing 80-200 trees across three species. A pretrained Pix2Pix model translates rendered RGB images into a synthetic near-infrared band, and Light Field Rendering produces aligned focal stacks of 550 planes across three channels. Four architectures were evaluated on a held-out scene. The plain 2D U-Net achieved an IoU of 0.6290, outperforming the volumetric 3D U-Net (0.5707). Established reconstruction methods performed substantially worse: COLMAP achieved 0.3446 and DepthAnything3 0.2959, both after their respective optimal dilation sweeps. An RGB-input variant of the volumetric architecture achieved the highest IoU of 0.6514 without dilation or per-scene calibration. These results highlight the limitations of conventional reconstruction methods, which recover visible surfaces but struggle to infer occupancy within closed canopies.
• Abstract（参考訳）: SAI(Synthetic Aperture Imaging)により、ドローンは、複数の変位したビューを共通の深さで平均化することにより、森林の天蓋を観察できる。 しかし、閉塞は排除されるよりも抑制され、観察の不十分な領域が占有され、体系的なバイオマス過大評価につながる。 ディープフォレストプロジェクトは、そのトレーニングデータは測定された反射点に依存しており、空き空間を除外し、ネットワークが明示的な占有境界を学習することを妨げるため、実際の植生と復元されたアーティファクトを区別することはできない。 この論文は、イメージングプロセスではなくトレーニングラベルを変更することで、この問題に対処する。 それぞれのシミュレートされたシーンは2回レンダリングされる: フォーカススタック生成のためのトップダウンキャプチャーの9x9グリッドとして、シーン幾何学から派生した550の深さ制限されたスラブとして、空き空間を負のクラスとして明示的に表現する。 ガゼボのパイプラインは、3つの種にまたがる80-200の樹木を含む手続き林を生産する。 事前訓練されたPix2Pixモデルは、レンダリングされたRGB画像を合成近赤外線バンドに変換し、Light Field Renderingは3つのチャネルにまたがる550平面のアライメントされた焦点スタックを生成する。 ホールドアウトシーンで4つのアーキテクチャが評価された。 通常の2D U-Netは0.6290のIoUを達成し、3D U-Net(0.5707)を上回った。 COLMAPは0.3446とDepthAnything3 0.2959を達成した。 ボリュームアーキテクチャのRGBインプット版は、ダイレーションやシーンごとのキャリブレーションを伴わずに0.6514の最高IoUを達成した。 これらの結果は,目に見える表面を復元する従来の再建手法の限界を浮き彫りにした。

関連論文リスト

• SE(3) Neural Potential Fields for 6-DoF Trajectory Planning Directly from Images Without Explicit 3D Reconstruction [2.2340839344812857]
  RGB画像から学習したSE(3)神経電位場をナビゲーション関数で教師する。 2つのテーブルトップシーンでは、UR10上で障害物ブロックされた開始から、各開始から3cm以内にフィールドが収束する。 この2つの場面で見事な成功は90.0%と40.0%である。
  論文  参考訳（メタデータ） (2026-09-21T16:35:57Z)
• Joint Learning of Depth, Pose, and Local Radiance Field for Large Scale Monocular 3D Reconstruction [0.21847754147782883]
  大規模シーンにおいて、奥行き、ポーズ、放射能を分離して解決する場合に、モノクルビデオからの光現実的3次元再構成が崩壊する。 3つの要因をすべて結合し、各障害ケースを実証的に克服する、共同学習フレームワークを導入します。 その結果, 1台のRGBカメラから, 計量スケール, ドリフトフリー3次元再構成, 高忠実度ノベルビュー合成が実現可能であることがわかった。
  論文  参考訳（メタデータ） (2025-12-20T06:37:41Z)
• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• DeepForest: Sensing Into Self-Occluding Volumes of Vegetation With Aerial Imaging [5.849820033135295]
  リモートセンシングの長期的限界は、深い天蓋層に深く浸透する。 現在、LiDARとレーダーは3D植生構造を測定するための主要な選択肢と考えられている。 我々のアプローチは、森林のような自己排他的な植生の量を感知することを可能にする。
  論文  参考訳（メタデータ） (2025-02-04T09:45:49Z)
• AugUndo: Scaling Up Augmentations for Monocular Depth Completion and Estimation [51.143540967290114]
  本研究では,教師なし深度計算と推定のために,従来不可能であった幾何拡張の幅広い範囲をアンロックする手法を提案する。 これは、出力深さの座標への幾何変換を反転、あるいはアンドウイング(undo''-ing)し、深度マップを元の参照フレームに戻すことで達成される。
  論文  参考訳（メタデータ） (2023-10-15T05:15:45Z)
• DevNet: Self-supervised Monocular Depth Learning via Density Volume Construction [51.96971077984869]
  単眼画像からの自己教師付き深度学習は、通常、時間的に隣接する画像フレーム間の2Dピクセル単位の光度関係に依存する。 本研究は, 自己教師型単眼深度学習フレームワークであるDevNetを提案する。
  論文  参考訳（メタデータ） (2022-09-14T00:08:44Z)
• Towards 3D Scene Reconstruction from Locally Scale-Aligned Monocular Video Depth [90.33296913575818]
  映像深度推定や映像からの3次元シーン再構成のようなビデオベースのシナリオでは、フレームごとの予測における未知のスケールとシフトが深度の不整合を引き起こす可能性がある。 局所重み付き線形回帰法を提案する。 提案手法は,複数のゼロショットベンチマークにおいて,既存の最先端手法の性能を50%向上させることができる。
  論文  参考訳（メタデータ） (2022-02-03T08:52:54Z)

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。