論文の概要: Visibility-Aware Reference Generation for Benchmarking Visual 3D Reconstruction in Vegetation-Rich Environments
- arxiv url: http://arxiv.org/abs/2611.05361v1
- Date: Tue, 03 Nov 2026 18:54:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 05:18:11.292882
- Title: Visibility-Aware Reference Generation for Benchmarking Visual 3D Reconstruction in Vegetation-Rich Environments
- Title(参考訳): 植生・リッチ環境における視覚的3次元再構成のベンチマークのための可視性を考慮した参照生成
- Abstract要約: フィードフォワード視覚幾何学モデルのゼロショット性能を評価するためのLiDARベースの参照生成パイプラインを提案する。
蓄積したLiDARスキャンの可視性誤差に対処するため, ポイントワイド可視性フィルタリングのためのLarge-Depth-Gap Visibility Score(LDGVS)を導入する。
TartanAirV2 と TartanGround の実験では、ポアソンの表面再構成と比較して、HPR と LDGVS を組み合わせたフィルタリングは、絶対相対誤差の3倍の点密度を保っている。
- 参考スコア(独自算出の注目度): 6.391378411315987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable evaluation of visual 3D reconstruction and depth estimation in vegetation-rich outdoor environments is limited by the scarcity of geometric ground-truth data and the cost of complete scanner surveys. We present a LiDARbased reference-generation pipeline for evaluating the zero-shot performance of feed-forward visual-geometry models alongside conventional structure-from-motion (SfM) methods. The pipeline reuses camera images, LiDAR scans, and reference poses from existing multi-sensor localization datasets to generate per-view depth maps and visible reference point clouds. To address visibility errors in accumulated LiDAR scans, we introduce the LargeDepth-Gap Visibility Score (LDGVS) for point-wise visibility filtering and automatic scale selection in Hidden Point Removal(HPR). Experiments on TartanAirV2 and TartanGround show that, compared with Poisson surface reconstruction, which is an approach suited to completed scan surveys, the combined HPR and LDGVS filtering retains approximately three times the point density at comparable absolute relative error. We also apply the pipeline to the BotanicGarden dataset to systematically compare depth estimation and 3D reconstruction methods. Feedforward methods produce dense depth predictions efficiently, but their 3D reconstructions can contain duplicated structures. Conventional SfM generally produces more coherent geometry, but its reconstructions remain sparse and more prone to failure in challenging vegetated scenes. The benchmark toolkit and datasets will be released.
- Abstract(参考訳): 植生に富んだ屋外環境における視覚的3次元再構築と深度推定の信頼性評価は,幾何的地下構造データの不足と完全なスキャナー調査のコストによって制限される。
本稿では,従来のSfM(Structure-from-motion)手法と並行して,フィードフォワード視覚幾何学モデルのゼロショット性能を評価するためのLiDARベースの参照生成パイプラインを提案する。
このパイプラインは、カメライメージ、LiDARスキャン、および既存のマルチセンサーローカライゼーションデータセットからの参照ポーズを再利用し、ビュー毎の深度マップと可視参照ポイントクラウドを生成する。
蓄積したLiDARスキャンの可視性エラーに対処するため,HPRにおける点次可視性フィルタリングと自動スケール選択のためのLargeDepth-Gap Visibility Score(LDGVS)を導入する。
TartanAirV2 と TartanGround の実験では、ポアソン表面の再構成が完了したスキャンサーベイに適したアプローチであるのに対し、HPR と LDGVS を組み合わせたフィルタリングは、絶対相対誤差の3倍の点密度を保っていることが示されている。
また,このパイプラインをボタニックガーデンデータセットに適用し,深度推定法と3次元再構成法を体系的に比較する。
フィードフォワード法は高密度深度予測を効率的に行うが、3次元再構成は重複構造を含むことができる。
従来のSfMは概してよりコヒーレントな幾何学を創出するが、その復元は依然として希少であり、野菜の栽培に挑戦する場面では失敗する傾向にある。
ベンチマークツールキットとデータセットがリリースされる。
関連論文リスト
- RIDE: Relocalization-Informed Depth Estimation with 3D Gaussian Splatting [20.29273985020268]
本稿では,ロボットのRGBマップから深度を推定するRIDEを提案する。
実験では、深度精度が向上し、時間的整合性尺度のみの校正が可能になった。
論文 参考訳(メタデータ) (2026-09-10T04:36:58Z) - Sparse-View Surface Reconstruction using Gaussian Splatting through High-Confidence Depth Propagation with Normal Priors [88.6801530914898]
スパースビューからの高忠実度表面再構成のための3DGSに基づく新しい手法を提案する。
我々の重要な洞察は、通常の誘導深度伝播アプローチを導入することである。
本手法は,スパース・ビュー・サーフェス・コンストラクションにおける最先端の手法よりも優れる。
論文 参考訳(メタデータ) (2026-07-04T08:33:40Z) - RDG-GS: Relative Depth Guidance with Gaussian Splatting for Real-time Sparse-View 3D Rendering [13.684624443214599]
本稿では,3次元ガウススプラッティングに基づく相対深度誘導を用いた新しいスパースビュー3DレンダリングフレームワークRDG-GSを提案する。
中心となる革新は、相対的な深度誘導を利用してガウス場を洗練させ、ビュー一貫性のある空間幾何学的表現に向けてそれを操ることである。
Mip-NeRF360, LLFF, DTU, Blenderに関する広範な実験を通じて、RDG-GSは最先端のレンダリング品質と効率を実証している。
論文 参考訳(メタデータ) (2025-01-19T16:22:28Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳(メタデータ) (2024-10-29T15:28:15Z) - Mode-GS: Monocular Depth Guided Anchored 3D Gaussian Splatting for Robust Ground-View Scene Rendering [47.879695094904015]
そこで本研究では,地上ロボット軌道データセットのための新しいビューレンダリングアルゴリズムであるMode-GSを提案する。
提案手法は,既存の3次元ガウススプラッティングアルゴリズムの限界を克服する目的で,アンカー付きガウススプラッターを用いている。
提案手法は,PSNR,SSIM,LPIPSの計測値に基づいて,自由軌道パターンを持つ地上環境におけるレンダリング性能を向上する。
論文 参考訳(メタデータ) (2024-10-06T23:01:57Z) - GEOcc: Geometrically Enhanced 3D Occupancy Network with Implicit-Explicit Depth Fusion and Contextual Self-Supervision [49.839374549646884]
本稿では,視覚のみのサラウンドビュー知覚に適したジオメトリ強化OccupancyネットワークであるGEOccについて述べる。
提案手法は,Occ3D-nuScenesデータセット上で,画像解像度が最小で,画像バックボーンが最大である状態-Of-The-Art性能を実現する。
論文 参考訳(メタデータ) (2024-05-17T07:31:20Z) - BS3D: Building-scale 3D Reconstruction from RGB-D Images [25.604775584883413]
本稿では,消費者向け深度カメラを用いた大規模3次元再構築のための使い易いフレームワークを提案する。
複雑で高価な買収設定とは異なり、当社のシステムはクラウドソーシングを可能にする。
論文 参考訳(メタデータ) (2023-01-03T11:46:14Z) - Leveraging Planar Regularities for Point Line Visual-Inertial Odometry [13.51108336267342]
モノクラー・ビジュアル・慣性オドメトリー(VIO)システムでは、3Dポイント・クラウドとカメラ・モーションを同時に推定することができる。
平面規則性だけでなく点特徴や線特徴を利用するPLP-VIOを提案する。
提案手法の有効性を,合成データと公開データセットの両方で検証した。
論文 参考訳(メタデータ) (2020-04-16T18:20:00Z) - OmniSLAM: Omnidirectional Localization and Dense Mapping for
Wide-baseline Multi-camera Systems [88.41004332322788]
超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。
より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。
我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
論文 参考訳(メタデータ) (2020-03-18T05:52:10Z)
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。