論文の概要: Low-Frequency First: Eliminating Floating Artifacts in 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2508.02493v2
- Date: Tue, 05 Aug 2025 15:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 13:15:14.15224
- Title: Low-Frequency First: Eliminating Floating Artifacts in 3D Gaussian Splatting
- Title（参考訳）: 低周波第1報 3次元ガウスめっきにおける浮体アーチファクトの除去
- Authors: Jianchao Wang, Peng Zhou, Cen Li, Rong Quan, Jie Qin,
- Abstract要約: 3D Gaussian Splatting (3DGS)は、3D再構成のための強力な表現である。
3DGSはフローティングアーティファクトをしばしば生成し、これは実際の幾何学から切り離された誤った構造である。
最適化されていないガウスを選択的に拡張し、高精度な低周波学習を優先するEFA-GSを提案する。
- 参考スコア（独自算出の注目度）: 22.626200397052862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) is a powerful and computationally efficient representation for 3D reconstruction. Despite its strengths, 3DGS often produces floating artifacts, which are erroneous structures detached from the actual geometry and significantly degrade visual fidelity. The underlying mechanisms causing these artifacts, particularly in low-quality initialization scenarios, have not been fully explored. In this paper, we investigate the origins of floating artifacts from a frequency-domain perspective and identify under-optimized Gaussians as the primary source. Based on our analysis, we propose \textit{Eliminating-Floating-Artifacts} Gaussian Splatting (EFA-GS), which selectively expands under-optimized Gaussians to prioritize accurate low-frequency learning. Additionally, we introduce complementary depth-based and scale-based strategies to dynamically refine Gaussian expansion, effectively mitigating detail erosion. Extensive experiments on both synthetic and real-world datasets demonstrate that EFA-GS substantially reduces floating artifacts while preserving high-frequency details, achieving an improvement of 1.68 dB in PSNR over baseline method on our RWLQ dataset. Furthermore, we validate the effectiveness of our approach in downstream 3D editing tasks. We provide our implementation in https://jcwang-gh.github.io/EFA-GS.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、3D再構成のための強力で効率的な表現である。
3DGSはその強度にもかかわらず、しばしば浮動小道具を生産し、これは実際の幾何学から切り離された間違った構造であり、視覚的忠実度を著しく低下させる。
これらのアーティファクトの原因となるメカニズム、特に低品質の初期化シナリオは、完全には解明されていない。
本稿では,周波数領域の観点から浮動小辞典の起源を考察し,最適化されていないガウスを主要な情報源として同定する。
そこで本研究では, 最適化されていないガウスを選択的に拡張し, 高精度な低周波学習を優先する「textit{Eliminating-Floating-Artifacts} Gaussian Splatting (EFA-GS) 」を提案する。
さらに,ガウス拡張を動的に洗練し,詳細な浸食を効果的に軽減するための補完的な深さベースおよびスケールベース戦略を導入する。
合成および実世界の両方のデータセットに対する大規模な実験により、EFA-GSは、高周波の詳細を保存しながら、浮遊アーティファクトを著しく低減し、我々のRWLQデータセットのベースライン法よりもPSNRの1.68dBの改善を実現した。
さらに,下流3D編集作業におけるアプローチの有効性を検証した。
実装はhttps://jcwang-gh.github.io/EFA-GSで公開しています。
関連論文リスト
- GS-2DGS: Geometrically Supervised 2DGS for Reflective Object Reconstruction [51.99776072246151]
2次元ガウス散乱(2DGS)に基づく反射物体に対するGS-2DGSと呼ばれる新しい再構成法を提案する。
合成および実データを用いた実験結果から,本手法はガウスの手法を再現・啓蒙の面で著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-06-16T05:40:16Z) - Generating Synthetic Stereo Datasets using 3D Gaussian Splatting and Expert Knowledge Transfer [16.040335263873278]
ステレオデータセット生成のための3D Gaussian Splatting(3DGS)ベースのパイプラインを導入し、Neural Radiance Fields(NeRF)ベースの手法の効率的な代替手段を提供する。
3DGS生成データセット上でのステレオモデルを微調整すると、ゼロショット一般化ベンチマークにおいて競合性能を示す。
論文 参考訳（メタデータ） (2025-06-05T11:41:09Z) - Uncertainty-Aware Normal-Guided Gaussian Splatting for Surface Reconstruction from Sparse Image Sequences [21.120659841877508]
3D Gaussian Splatting (3DGS)は、新規なビュー合成において印象的なレンダリング性能を達成した。
3DGSパイプライン内の幾何的不確かさを定量化するために,不確かさを意識した正規誘導型ガウス格子(UNG-GS)を提案する。
UNG-GSはスパース配列と高密度シーケンスの両方で最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2025-03-14T08:18:12Z) - Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。
3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
論文 参考訳（メタデータ） (2024-11-19T11:59:54Z) - Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。
ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。
本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文 参考訳（メタデータ） (2024-08-12T16:49:22Z) - Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。
その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。
正規化として有効ランクを導入し、ガウスの構造を制約する。
論文 参考訳（メタデータ） (2024-06-17T15:51:59Z) - RaDe-GS: Rasterizing Depth in Gaussian Splatting [32.38730602146176]
Gaussian Splatting (GS) は、高品質でリアルタイムなレンダリングを実現するために、新しいビュー合成に非常に効果的であることが証明されている。
本研究は,DTUデータセット上のNeuraLangeloに匹敵するチャムファー距離誤差を導入し,元の3D GS法と同様の計算効率を維持する。
論文 参考訳（メタデータ） (2024-06-03T15:56:58Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - 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) - AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。
しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。
本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。
我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
論文 参考訳（メタデータ） (2024-04-16T11:44:12Z) - GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。
本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。
提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
論文 参考訳（メタデータ） (2024-02-22T16:00:20Z)
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。