論文の概要: FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization

• arxiv url: http://arxiv.org/abs/2403.06908v2
• Date: Mon, 8 Apr 2024 16:16:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 00:47:03.698439
• Title: FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization
• Title（参考訳）: FreGS: 進行周波数規則化による3次元ガウス平滑化
• Authors: Jiahui Zhang, Fangneng Zhan, Muyu Xu, Shijian Lu, Eric Xing,
• Abstract要約: 周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。 FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 67.47895278233717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian splatting has achieved very impressive performance in real-time novel view synthesis. However, it often suffers from over-reconstruction during Gaussian densification where high-variance image regions are covered by a few large Gaussians only, leading to blur and artifacts in the rendered images. We design a progressive frequency regularization (FreGS) technique to tackle the over-reconstruction issue within the frequency space. Specifically, FreGS performs coarse-to-fine Gaussian densification by exploiting low-to-high frequency components that can be easily extracted with low-pass and high-pass filters in the Fourier space. By minimizing the discrepancy between the frequency spectrum of the rendered image and the corresponding ground truth, it achieves high-quality Gaussian densification and alleviates the over-reconstruction of Gaussian splatting effectively. Experiments over multiple widely adopted benchmarks (e.g., Mip-NeRF360, Tanks-and-Temples and Deep Blending) show that FreGS achieves superior novel view synthesis and outperforms the state-of-the-art consistently.
• Abstract（参考訳）: 3次元ガウシアンスプラッティングは、リアルタイムの新規ビュー合成において非常に優れた性能を発揮している。 しかし、高分散画像領域が少数のガウス像のみに覆われるガウス密度化の際の過度な再構成に悩まされ、レンダリングされた画像のぼやけやアーティファクトに繋がることが多い。 本研究では,周波数空間における過度再構成問題に対処するために,プログレッシブ周波数正規化(FreGS)手法を設計する。 具体的には、フーリエ空間における低域通過フィルタと高域通過フィルタで容易に抽出できる低域通過周波数成分を利用して、粗大なガウス密度化を行う。 レンダリング画像の周波数スペクトルと対応する基底真実との差を最小化することにより、高品質なガウス密度化を実現し、ガウススプラッティングの過度な再構成を効果的に緩和する。 複数の広く採用されているベンチマーク(例えば、Mip-NeRF360、Tamps-and-Temples、Deep Blending)に対する実験は、FreGSが優れた新規なビュー合成を達成し、最先端技術よりも一貫して優れていることを示している。

関連論文リスト

• Pushing Rendering Boundaries: Hard Gaussian Splatting [72.28941128988292]
  3D Gaussian Splatting (3DGS) は,NVS(Noven View Synthesis) をリアルタイムなレンダリング方式で実現した。 我々はHGSと呼ばれるハードガウシアンスプラッティングを提案し、これは多視点的な位置勾配とレンダリング誤差を考慮し、ハードガウシアンを成長させる。 本手法は,リアルタイムの効率を保ちながら,最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2024-12-06T07:42:47Z)
• Spectral-GS: Taming 3D Gaussian Splatting with Spectral Entropy [14.320240635262756]
  3D-GSは形状の認識を欠き、代わりにスペクトル半径と視角勾配に依存して分割を決定する。 スペクトル分析に基づくスペクトルGSでは,3次元形状認識分割と2次元ビュー一貫性フィルタリング方式が導入された。
  論文  参考訳（メタデータ） (2024-09-19T13:38:04Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
  GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。 周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
  論文  参考訳（メタデータ） (2024-02-15T17:32:50Z)
• LightGaussian: Unbounded 3D Gaussian Compression with 15x Reduction and 200+ FPS [55.85673901231235]
  光ガウシアン(LightGaussian)は、3次元ガウシアンをよりコンパクトなフォーマットに変換する方法である。 ネットワーク・プルーニングにインスパイアされたLightGaussianは、ガウシアンをシーン再構築において最小限のグローバルな重要性で特定した。 LightGaussian は 3D-GS フレームワークで FPS を 144 から 237 に上げながら,平均 15 倍の圧縮率を達成する。
  論文  参考訳（メタデータ） (2023-11-28T21:39:20Z)
• GaussianDiffusion: 3D Gaussian Splatting for Denoising Diffusion Probabilistic Models with Structured Noise [0.0]
  本稿では3Dコンテンツ生成フレームワークであるGaussian Diffusionについて,Gaussian Splattingに基づく新しいテキストを紹介した。 3次元生成における多視点一貫性の実現という課題は、モデリングの複雑さと精度を著しく損なう。 本稿では,3次元外観の質と安定性を高めるため,変分ガウススメッティング法を提案する。
  論文  参考訳（メタデータ） (2023-11-19T04:26:16Z)
• Guided Frequency Loss for Image Restoration [0.9821874476902969]
  本稿では、画像の周波数内容と空間的コンテンツとをバランスよく学習するのに役立つガイド周波数損失(GFL)を提案する。 学習効率を高めるために並列に動作する3つの主要なコンポーネントを集約する。 その結果、ほとんどの実験でGFL損失はPSNR測定値を改善した。
  論文  参考訳（メタデータ） (2023-09-27T10:37:51Z)
• WaveNeRF: Wavelet-based Generalizable Neural Radiance Fields [149.2296890464997]
  我々は、ウェーブレット周波数分解をMVSとNeRFに統合したWaveNeRFを設計する。 WaveNeRFは、3つの画像のみを入力として与えたときに、より優れた一般化可能な放射場モデリングを実現する。
  論文  参考訳（メタデータ） (2023-08-09T09:24:56Z)

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。