Newest papers

Learning from Automatic 3D Gaussian Splatting Edits for Online Bayesian Scene Change Detection

Changrui Zhu, Simon Julier · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28490 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Phát hiện thay đổi cảnh trực tuyến đòi hỏi phải tích hợp các quan sát đến để xác định những khu vực nào đã thay đổi so với cảnh tham chiếu. Chúng tôi cập nhật các niềm tin thay đổi khi hình ảnh mới đến bằng cách sử dụng tổng hợp bằng chứng Bayesian. Tuy nhiên, xác suất trước của sự thay đổi và các mô hình bằng chứng không được biết trước, và kết luận số Bayesian có thể tốn kém. Chúng tôi giải quyết những thách thức này bằng cách học ngoại tuyến từ chỉnh sửa tự động đến mô hình 3D Gaussian Splatting (3DGS) tham chiếu. Những chỉnh sửa này tạo ra các dạng xem đào tạo có nhãn hiệu mà không có ghi chú bằng tay. Cùng với các quan sát tham chiếu không thay đổi, chúng cung cấp giám sát cho các mô hình bằng chứng cụ thể về cảnh học và ước tính các số liệu trước và phản ứng hiệu quả. Dự báo trực tuyến kết hợp

Machine translation (Meta M2M100); the English original follows.

Abstract

Online scene change detection requires integrating incoming observations to determine which regions have changed relative to a reference scene. We update change beliefs as new images arrive using generalised Bayesian evidence fusion. However, the prior probability of change and evidence models are unknown beforehand, and numerical Bayesian inference can be costly. We address these challenges by learning offline from automatic edits to a reference 3D Gaussian Splatting (3DGS) model. These edits generate labelled training views without manual annotations. Together with unchanged reference observations, they provide supervision for learning scene-specific evidence models and estimating the effective pixel prior and response statistics. Online prediction combines current evidence with historical support, while closed-form local Bayes factors, parameterized by the learned response statistics, update an accumulated 3D Gaussian field. Object-guided refinement produces the final change masks. Our method achieves state-of-the-art accuracy on PASLCD and CCS3D, with $67.64\%$ and $75.82\%$ mIoU, respectively. On PASLCD, the complete pipeline runs at $17.2$\,FPS over complete query sequences, the fastest among the evaluated online methods. Project page: https://changruizhu96.github.io/work/lego-scd/

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Change detection, Artificial intelligence, Bayesian probability, Inference, Gaussian process

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange