자동 3D Gaussian Splatting 편집으로부터 학습하여 온라인 베이즈 장면 변화 감지

원문 발행 2026. 10. 21. 01:36원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

본 연구는 자동 편집을 통해 학습한 3D Gaussian Splatting (3DGS) 모델을 활용하여 온라인 베이즈 장면 변화 감지 방법을 제안합니다. 이 방법은 일반화된 베이즈 증거 융합을 사용하여 새로운 관측값에 따라 변화 신념을 업데이트하며, 폐쇄형 공식 국소 베이즈 요인을 통해 누적된 3D Gaussian 필드를 효율적으로 업데이트합니다.

핵심 포인트

자동 편집 학습으로 3DGS 모델의 온라인 변화 감지 문제를 해결함.
일반화된 베이즈 증거 융합을 사용하여 변화 신념을 업데이트함.
폐쇄형 공식 국소 베이즈 요인을 통해 3D Gaussian 필드를 효율적으로 업데이트함.
PASLCD와 CCS3D에서 높은 mIoU 및 빠른 프레임률을 달성함.

온라인 장면 변화 감지는 들어오는 관측값들을 통합하여 어떤 영역들이 참조 장면과 비교하여 변화했는지 판단하는 것을 필요로 합니다. 우리는 새로운 이미지가 도착함에 따라 일반화된 베이즈 증거 융합(generalised Bayesian evidence fusion)을 사용하여 변화 신념을 업데이트합니다. 하지만, 변화의 사전 확률(prior probability of change)과 증거 모델은 사전에 알려져 있지 않으며, 수치적 베이즈 추론(numerical Bayesian inference)은 비용이 많이 들 수 있습니다. 우리는 참조 3D Gaussian Splatting (3DGS) 모델에 대한 자동 편집으로부터 오프라인으로 학습함으로써 이러한 문제들을 해결합니다. 이 편집들은 수동 주석 없이 레이블링된 학습 뷰를 생성합니다. 변화가 없는 참조 관측값들과 함께, 이는 장면별 증거 모델을 학습하고 유효 픽셀 사전(effective pixel prior) 및 응답 통계(response statistics)를 추정하기 위한 지도(supervision)를 제공합니다. 온라인 예측은 현재의 증거와 과거의 지지도를 결합하며, 학습된 응답 통계에 의해 매개변수화된 폐쇄형 공식 국소 베이즈 요인(closed-form local Bayes factors)을 통해 누적된 3D Gaussian 필드를 업데이트합니다. 객체 기반 정제(Object-guided refinement)가 최종 변화 마스크를 생성합니다. 우리의 방법은 PASLCD와 CCS3D에서 각각 $67.64$% 및 $75.82$%의 mIoU로 최신 성능을 달성했습니다. PASLCD에서는 전체 쿼리 시퀀스에 걸쳐 $17.2$,FPS로 실행되어 평가된 온라인 방법 중 가장 빠릅니다.

AI 자동 생성 콘텐츠

원문 바로가기

자동 3D Gaussian Splatting 편집으로부터 학습하여 온라인 베이즈 장면 변화 감지

요약

핵심 포인트

댓글