論文の概要: Multiview Geometric Regularization of Gaussian Splatting for Accurate Radiance Fields
- arxiv url: http://arxiv.org/abs/2506.13508v1
- Date: Mon, 16 Jun 2025 14:02:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:48.606647
- Title: Multiview Geometric Regularization of Gaussian Splatting for Accurate Radiance Fields
- Title（参考訳）: 精密放射場のためのガウス散乱の多視点幾何正則化
- Authors: Jungeon Kim, Geonsoo Park, Seungyong Lee,
- Abstract要約: 本稿では,多視点ステレオ(MVS)深度,RGB,および正規制約をガウススプラッティングに統合する効果的な多視点幾何正規化戦略を提案する。
我々の重要な洞察は、MVS由来の深度点とガウススプラッティング最適化位置の相補的関係である。
この知見を活用するために、不確実性推定を伴う中央値の深度に基づく相対的な深度損失を導入する。
- 参考スコア（独自算出の注目度）: 8.41704235466682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent methods, such as 2D Gaussian Splatting and Gaussian Opacity Fields, have aimed to address the geometric inaccuracies of 3D Gaussian Splatting while retaining its superior rendering quality. However, these approaches still struggle to reconstruct smooth and reliable geometry, particularly in scenes with significant color variation across viewpoints, due to their per-point appearance modeling and single-view optimization constraints. In this paper, we propose an effective multiview geometric regularization strategy that integrates multiview stereo (MVS) depth, RGB, and normal constraints into Gaussian Splatting initialization and optimization. Our key insight is the complementary relationship between MVS-derived depth points and Gaussian Splatting-optimized positions: MVS robustly estimates geometry in regions of high color variation through local patch-based matching and epipolar constraints, whereas Gaussian Splatting provides more reliable and less noisy depth estimates near object boundaries and regions with lower color variation. To leverage this insight, we introduce a median depth-based multiview relative depth loss with uncertainty estimation, effectively integrating MVS depth information into Gaussian Splatting optimization. We also propose an MVS-guided Gaussian Splatting initialization to avoid Gaussians falling into suboptimal positions. Extensive experiments validate that our approach successfully combines these strengths, enhancing both geometric accuracy and rendering quality across diverse indoor and outdoor scenes.
- Abstract（参考訳）: 2Dガウス版やガウス版Opacity Fieldsのような最近の手法は、3Dガウス版Splattingの幾何学的不正確な問題に対処しつつ、優れたレンダリング品質を維持することを目的としている。
しかしながら、これらのアプローチは、スムーズで信頼性の高い幾何学、特に視点ごとの色彩変化のあるシーンにおいて、ポイントごとの外観モデリングとシングルビュー最適化の制約のために、再構築に苦慮している。
本稿では,多視点ステレオ(MVS)深度,RGB,および正規制約をガウススプラッティング初期化と最適化に統合する効果的な多視点幾何正規化戦略を提案する。
MVSは、局所的なパッチベースのマッチングとエピポーラ制約により、高彩度変動の領域における幾何を強固に推定する一方、ガウススプラッティングは、オブジェクト境界付近のより信頼性が高くノイズの少ない深度推定と、より低い色変化の領域において、よりノイズの多い深度推定を提供する。
この知見を活用するために、不確実性推定を伴う中央値の深度に基づくマルチビュー相対深度損失を導入し、MVS深度情報をガウススプラッティング最適化に効果的に統合する。
また,準最適位置にガウスが落ちるのを避けるため,MVS誘導ガウス分割初期化を提案する。
広汎な実験により,本手法がこれらの強度をうまく組み合わせることで,室内および屋外の様々な場面における幾何学的精度とレンダリング品質の両立が図られた。
関連論文リスト
- Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって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） (2025-05-27T05:17:49Z) - GauS-SLAM: Dense RGB-D SLAM with Gaussian Surfels [5.726938101368279]
GauS-SLAMは2次元ガウス波を利用した高密度RGB-D SLAMシステムである。
GauS-SLAMは同等の手法より優れており、追跡精度とレンダリング精度が優れている。
論文 参考訳（メタデータ） (2025-05-03T22:02:20Z) - GBR: Generative Bundle Refinement for High-fidelity Gaussian Splatting and Meshing [27.747748706297497]
GBR(Generative Bundle Refinement)は、4-6の入力ビューのみを用いた高忠実なガウススプラッティングとメッシュ化のための手法である。
GBRは、幾何学的精度を高めるために神経束調整モジュールと、幾何学的忠実性を改善するために生成深度改善モジュールを統合している。
GBRは、大規模な現実世界のシーンを再構築し、レンダリングする能力を示している。
論文 参考訳（メタデータ） (2024-12-08T12:00:25Z) - AGS-Mesh: Adaptive Gaussian Splatting and Meshing with Geometric Priors for Indoor Room Reconstruction Using Smartphones [19.429461194706786]
室内シーンの正確な3次元再構成のためのガウススメッティング法における接合面深度と正規化のアプローチを提案する。
我々のフィルタリング戦略と最適化設計は、メッシュ推定と新規ビュー合成の両方において大きな改善を示す。
論文 参考訳（メタデータ） (2024-11-28T17:04:32Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [84.07233691641193]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。
我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。
いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-11-18T08:18:44Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [73.49548565633123]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
本稿では,3次元ガウス・スプレイティング(MCGS)に基づくビュー・フレームワークを提案し,スパークス・インプット・ビューからシーンを再構築する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z) - MVG-Splatting: Multi-View Guided Gaussian Splatting with Adaptive Quantile-Based Geometric Consistency Densification [8.099621725105857]
マルチビューを考慮したソリューションであるMVG-Splattingを紹介する。
付加的な密度化のレベルを動的に決定する適応的量子化法を提案する。
このアプローチは3次元再構成プロセス全体の忠実度と精度を大幅に向上させる。
論文 参考訳（メタデータ） (2024-07-16T15:24:01Z) - MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images [102.7646120414055]
入力としてスパースなマルチビュー画像を与えられたMVSplatは、クリーンなフィードフォワード3Dガウスを予測できる。
大規模RealEstate10KとACIDベンチマークでは、MVSplatは高速フィードフォワード推論速度(22fps)で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-03-21T17:59:58Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z)
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。