論文の概要: RePaintGS: Reference-Guided Gaussian Splatting for Realistic and View-Consistent 3D Scene Inpainting
- arxiv url: http://arxiv.org/abs/2507.08434v1
- Date: Fri, 11 Jul 2025 09:26:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.304003
- Title: RePaintGS: Reference-Guided Gaussian Splatting for Realistic and View-Consistent 3D Scene Inpainting
- Title（参考訳）: RePaintGS: リアルかつビューに一貫性のある3Dシーンペイントのためのリファレンスガイド型ガウススプレイティング
- Authors: Ji Hyun Seo, Byounhyun Yoo, Gerard Jounghyun Kim,
- Abstract要約: 本稿では,参照ビューを活用することで,複雑なシーンであっても,現実的かつ知覚的に一貫した結果を確実に生成する新しい3Dシーンインペイント手法を提案する。
この幾何学は、他の見解に当てはまる参照を擬似地上真理としてワープし、参照の外観に合うように最適化を導くのに使用される。
- 参考スコア（独自算出の注目度）: 2.6217304977339473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiance field methods, such as Neural Radiance Field or 3D Gaussian Splatting, have emerged as seminal 3D representations for synthesizing realistic novel views. For practical applications, there is ongoing research on flexible scene editing techniques, among which object removal is a representative task. However, removing objects exposes occluded regions, often leading to unnatural appearances. Thus, studies have employed image inpainting techniques to replace such regions with plausible content - a task referred to as 3D scene inpainting. However, image inpainting methods produce one of many plausible completions for each view, leading to inconsistencies between viewpoints. A widely adopted approach leverages perceptual cues to blend inpainted views smoothly. However, it is prone to detail loss and can fail when there are perceptual inconsistencies across views. In this paper, we propose a novel 3D scene inpainting method that reliably produces realistic and perceptually consistent results even for complex scenes by leveraging a reference view. Given the inpainted reference view, we estimate the inpainting similarity of the other views to adjust their contribution in constructing an accurate geometry tailored to the reference. This geometry is then used to warp the reference inpainting to other views as pseudo-ground truth, guiding the optimization to match the reference appearance. Comparative evaluation studies have shown that our approach improves both the geometric fidelity and appearance consistency of inpainted scenes.
- Abstract（参考訳）: 神経放射場や3次元ガウススプラッティングのような放射場法は、現実的な新奇な視点を合成するための基礎的な3次元表現として現れている。
現実的な応用として,オブジェクト除去が代表的な課題であるフレキシブルシーン編集技術の研究が進行中である。
しかし、物体を除去すると隠蔽された領域が露出し、しばしば不自然に現れる。
このような領域を3Dシーンインペインティング(3Dシーンインペインティング)という課題に置き換えるために,画像インペインティング技術を用いている。
しかし、画像の塗装法は、各視点に対して多くのもっともらしい完成の1つを生み出し、視点間の矛盾を生じさせる。
広く採用されているアプローチは、知覚的手がかりを活用して、絵が描かれたビューをスムーズにブレンドする。
しかしながら、詳細な損失が生じる傾向があり、ビュー間で知覚上の矛盾がある場合には失敗する可能性がある。
本稿では,参照ビューを活用することで,複雑なシーンであっても,現実的かつ知覚的に一貫性のある結果を確実に生成する,新しい3Dシーンインペイント手法を提案する。
インペイントされた参照ビューから、他のビューの似通った類似性を推定し、参照に合わせた正確な幾何を構築する際の貢献を調整します。
この幾何学は、他の見解に当てはまる参照を擬似地上真理としてワープし、参照の外観に合うように最適化を導くのに使用される。
比較評価の結果,本手法は塗装シーンの幾何学的忠実度と外観の整合性の両方を改善していることがわかった。
関連論文リスト
- Visibility-Uncertainty-guided 3D Gaussian Inpainting via Scene Conceptional Learning [63.94919846010485]
3DGI)は、複数の入力ビューから補完的な視覚的・意味的手がかりを効果的に活用することが困難である。
本稿では,異なる入力ビュー間での3Dポイントの視認性不確実性を計測し,それらを用いて3DGIを誘導する手法を提案する。
ViSibility-uncerTainty-guided 3DGIとシーンコンセプトAl学習を統合し,新しい3DGIフレームワークであるVISTAを構築した。
論文 参考訳（メタデータ） (2025-04-23T06:21:11Z) - Geometry-Aware Diffusion Models for Multiview Scene Inpainting [24.963896970130065]
我々は,異なる視点から捉えた入力画像の一部がマスクアウトされる3Dシーンのインペイントに焦点を当てた。
最近の研究は、生成モデルと3次元放射場を組み合わせることで、視点を越えて情報を融合することでこの問題に対処している。
本稿では,多視点一貫した塗装が可能な幾何認識条件生成モデルを提案する。
論文 参考訳（メタデータ） (2025-02-18T23:30:10Z) - View-consistent Object Removal in Radiance Fields [14.195400035176815]
レーダー場(RF)は3次元シーン表現にとって重要な技術である。
現在の方法はフレーム単位の2Dイメージの描画に依存しており、ビュー間の一貫性の維持に失敗することが多い。
単一参照画像のみの塗布を必要とすることで、一貫性を著しく向上する新しいRF編集パイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-04T17:57:23Z) - Invisible Stitch: Generating Smooth 3D Scenes with Depth Inpainting [75.7154104065613]
本稿では,3次元融合過程を学習するために,教師の蒸留と自己学習によって訓練された新しい深度補完モデルを提案する。
また,地上の真理幾何に基づくシーン生成手法のベンチマーク手法も導入した。
論文 参考訳（メタデータ） (2024-04-30T17:59:40Z) - RefFusion: Reference Adapted Diffusion Models for 3D Scene Inpainting [63.567363455092234]
RefFusionは,画像インペイント拡散モデルのマルチスケールパーソナライズに基づく,新しい3Dインペイント手法である。
我々のフレームワークは、制御性を維持しながら、オブジェクト除去の最先端の成果を達成する。
論文 参考訳（メタデータ） (2024-04-16T17:50:02Z) - Reference-guided Controllable Inpainting of Neural Radiance Fields [26.296017756560467]
我々は、表示に一貫性があり、制御可能な領域に焦点をあてる。
単眼深度推定器を用いて, 塗装された視界を正確な3D位置へバックプロジェクターする。
非参照非排除領域に対しては,形状と外観の両方をガイドする画像インペインターに基づく手法を考案する。
論文 参考訳（メタデータ） (2023-04-19T14:11:21Z) - PaletteNeRF: Palette-based Appearance Editing of Neural Radiance Fields [60.66412075837952]
本稿では,3次元色分解に基づくニューラルラジアンスフィールド(NeRF)の出現編集手法であるPaletteNeRFを提案する。
提案手法は,各3次元点の出現を,パレットベースによる線形結合に分解する。
我々は、セマンティック・アウェアな外観編集のためのセマンティック機能を圧縮したフレームワークを拡張した。
論文 参考訳（メタデータ） (2022-12-21T00:20:01Z) - SPIn-NeRF: Multiview Segmentation and Perceptual Inpainting with Neural
Radiance Fields [26.296017756560467]
3Dでは、解は複数のビューで一貫し、幾何学的に有効でなければならない。
本稿では,これらの課題に対処する新しい3Dインペイント手法を提案する。
我々はまず,NeRF法と2次元セグメンテーション法と比較して,マルチビューセグメンテーションにおけるアプローチの優位性を実証する。
論文 参考訳（メタデータ） (2022-11-22T13:14:50Z) - A Shading-Guided Generative Implicit Model for Shape-Accurate 3D-Aware
Image Synthesis [163.96778522283967]
そこで本研究では,シェーディング誘導型生成暗黙モデルを提案する。
正確な3D形状は、異なる照明条件下でリアルなレンダリングをもたらす必要がある。
複数のデータセットに対する実験により,提案手法が光リアルな3次元画像合成を実現することを示す。
論文 参考訳（メタデータ） (2021-10-29T10:53:12Z) - Realistic Image Synthesis with Configurable 3D Scene Layouts [59.872657806747576]
本稿では,3次元シーンレイアウトに基づくリアルな画像合成手法を提案する。
提案手法では, セマンティッククラスラベルを入力として3Dシーンを抽出し, 3Dシーンの描画ネットワークを訓練する。
訓練された絵画ネットワークにより、入力された3Dシーンのリアルな外観の画像を描画し、操作することができる。
論文 参考訳（メタデータ） (2021-08-23T09:44:56Z)
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。