論文の概要: Open-World Scene Deocclusion
- arxiv url: http://arxiv.org/abs/2611.17695v1
- Date: Fri, 13 Nov 2026 03:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.296328
- Title: Open-World Scene Deocclusion
- Title(参考訳): オープンワールドシーン・デオクルージョン
- Abstract要約: トレーニングフリーでオープンワールドなシーン・デオクルージョン・フレームワークを導入します。
検出またはユーザ選択されたオブジェクトの完全なアモーダルな外観を、単一のRGBイメージから復元する。
本手法はシーンレベルのデクルージョンを改善し,現実的な環境下での一貫性と現実的な再構築を実現する。
- 参考スコア(独自算出の注目度): 14.144782229128337
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recovering the complete appearance of occluded objects from a single image is a fundamental problem for scene understanding and image editing. Real-world scenes are challenging due to clutter, complex spatial occlusions, and diverse object categories. Existing methods often struggle when occlusion involves background surfaces or objects that are not explicitly detected, and fail to resolve the cyclic occlusion dependencies that frequently occur in natural scenes. We introduce a training-free, open-world scene deocclusion framework that recovers the full amodal appearance of detected or user-selected objects from a single RGB image, decomposing the scene into depth-ordered RGBA layers that are geometrically plausible, semantically faithful, and visually consistent with the visible scene. Extensive experiments show that our approach improves scene-level deocclusion, producing coherent and realistic reconstructions in real-world settings. Code will be available on the project page: https://sashjk.github.io/owsd/
- Abstract(参考訳): 1つの画像から隠蔽対象の完全な外観を復元することは、シーン理解と画像編集の基本的な問題である。
現実世界のシーンは、散らかったり、複雑な空間的隠蔽、多様な対象カテゴリーのために困難である。
既存の方法は、明示的に検出されていない背景の表面や物体が混ざり合っていて、自然の場面で頻繁に発生する循環閉塞の依存関係を解決できない場合にしばしば苦労する。
本稿では,一枚のRGB画像から検出されたオブジェクトやユーザ選択されたオブジェクトの完全なアモーダルな外観を復元し,そのシーンを幾何学的に妥当で意味的に忠実なRGBA層に分解する,学習自由でオープンなシーン・デオクルージョン・フレームワークを提案する。
大規模な実験により,本手法はシーンレベルのデクルージョンを改善し,現実的な環境下でのコヒーレントかつ現実的な再構築を実現することが示された。
コードは https://sashjk.github.io/owsd/ で公開されます。
関連論文リスト
- WorldSculpt: Generating Compositional Worlds from Grounded Videos [50.427204240556854]
本研究では,数百個のオブジェクトを含む散在するシーンの合成3次元表現を生成する問題について検討する。
この課題は、物体が互いに強く干渉し合うような密集したシーンにおいて挑戦的であり、それぞれのビューはその幾何のごく一部しか明らかにしない。
多視点観察に先立ち、強い単物体3D生成を適応させることにより、数百個の物体からなる複雑なシーンを合成的に生成できることが示される。
論文 参考訳(メタデータ) (2026-09-04T17:59:35Z) - Object-level Scene Deocclusion [92.39886029550286]
オブジェクトレベルのシーン・デクルージョンのためのPArallel可視・コミュールト拡散フレームワークPACOを提案する。
PACOをトレーニングするために、500kサンプルの大規模なデータセットを作成し、自己教師付き学習を可能にします。
COCOAと様々な現実世界のシーンの実験では、PACOがシーンの排除に優れた能力を示し、芸術の状態をはるかに上回っている。
論文 参考訳(メタデータ) (2024-06-11T20:34:10Z) - DisCoScene: Spatially Disentangled Generative Radiance Fields for
Controllable 3D-aware Scene Synthesis [90.32352050266104]
DisCoSceneは高品質で制御可能なシーン合成のための3Daware生成モデルである。
グローバルな局所的差別を伴う2次元画像のみを学習することで、シーン全体をオブジェクト中心の生成フィールドに分解する。
挑戦的な屋外データセットを含む多くのシーンデータセットで最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2022-12-22T18:59:59Z) - Learning Object-Compositional Neural Radiance Field for Editable Scene
Rendering [42.37007176376849]
本稿では,物体合成型ニューラルラジアンス場を学習し,クラスタ化された実世界のシーンをリアルにレンダリングするニューラルシーンレンダリングシステムを提案する。
密集したシーンでのトレーニングを生き残るために, 密集した領域における3次元空間のあいまいさを解消し, それぞれの物体の鋭い境界を学習するためのシーン誘導型トレーニング戦略を提案する。
論文 参考訳(メタデータ) (2021-09-04T11:37:18Z) - Visiting the Invisible: Layer-by-Layer Completed Scene Decomposition [57.088328223220934]
既存のシーン理解システムは、主にシーンの可視部分を認識し、現実世界の物理的物体の無傷な外観を無視します。
本研究では,ある場面における物体と背景の可視部分と可視部分の両方に取り組む高レベルのシーン理解システムを提案する。
論文 参考訳(メタデータ) (2021-04-12T11:37:23Z) - Self-Supervised Scene De-occlusion [186.89979151728636]
本稿では,隠蔽対象の隠蔽順序を復元し,隠蔽対象の見えない部分を完成させることを目的としたシーン非隠蔽問題について検討する。
そこで本研究では,隠されたシーン構造を監視対象として指示やアモーダルアノテーションを使わずに復元する,新規で統一的なフレームワークを用いて,この問題に対処する試みを行う。
そこで,PCNet-M と PCNet-C をベースとして,プログレッシブ・オーダリング・リカバリ,アモーダル・コンプリーメント,コンテント・コンプリートを通じてシーン・デオクルージョンを実現する新しい推論手法を考案した。
論文 参考訳(メタデータ) (2020-04-06T16:31:11Z)
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。