Компьютерная наука > Компютерное видение и распознавание моделей [представлено 27 октября 2026 года] Название: LingGS: Decouping Feed-Forward Geotegraphic Provision from Camerar Resting for High-fidelity GASSM View PDF HTML (экспериментальное) резюме: Обеспечение высококачественной реконструкции и реагирующего слежения за камерами попрежнему сопряжены с трудностями для монокулярного RGB Gassian splatting SALM в рамках ограниченного бюджета оптимизации. Мы представляем онлайновую систему, которая решает эту задачу путем сочетания полученных геометрических приводов с эксплицитным геометрическим отслеживанием камер, что может существенно превзойти прогнозирование усвоенных видеокамер в плане точности слежения. Модель замороженного потока 3D фундамента служит виртуальным датчиком RGB-D, позволяющим оценить глубину на основе монокулярного видео. Затем эксплицитный геометрический распределитель оценивает движение камеры с помощью перепрогнозирования функций, и поток Gassian картограф интегрировал полученные наблюдения в плотное изображение сцен. Мы далее показываем, что геометрическое отслеживание улучшает камеру и обеспечивает точность в репрезентативных геометрических позвонках потоков, демонстрируя более широкую применимость нашего подхода. Широкие эксперименты на внутренних и внешних наборах данных показывают, что наш метод значительно повышает качество реконструкции по сравнению с существующими подходами, достиг примерно 7 СФМ в одном RTX 4090 и обеспечивает 2-3 раза…
LingGS: Разъединение геометрии жира-форвардного прогнозирования с помощью видеокамер слежения за высокофальсифицированными гауссами SALM
arXiv: 261 030.36853v1 Сообщение типа: новое резюме: достижение высококачественной реконструкции и реагирующее на них видеонаблюдение по-прежнему сопряжено с трудностями для монокулярного RGB Gossian splatting SALM в рамках ограниченных бюджетных ассигнований на оптимизацию. Мы представляем онлайновую систему, которая решает эту задачу путем сочетания полученных геометрических приводов с эксплицитным геометрическим отслеживанием камер, что может существенно превзойти прогнозирование усвоенных видеокамер в плане точности слежения. Модель замороженного потока 3D фундамента служит виртуальным датчиком RGB-D, позволяющим оценить глубину на основе монокулярного видео. Затем эксплицитный геометрический распределитель оценивает движение камеры с помощью перепрогнозирования функций, и поток Gassian картограф интегрировал полученные наблюдения в плотное изображение сцен. Мы далее показываем, что геометрическое отслеживание улучшает камеру и обеспечивает точность в репрезентативных геометрических позвонках потоков, демонстрируя более широкую применимость нашего подхода. Обширные эксперименты на внутренних и наружных наборах данных показывают тa