論文の概要: GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction

• arxiv url: http://arxiv.org/abs/2508.07355v1
• Date: Sun, 10 Aug 2025 14:13:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.824568
• Title: GS4Buildings: Prior-Guided Gaussian Splatting for 3D Building Reconstruction
• Title（参考訳）: GS4Buildings:3Dビル再建のための前ガイド型ガウススプラッティング
• Authors: Qilin Zhang, Olaf Wysocki, Boris Jutzi,
• Abstract要約: 本稿では, より堅牢でスケーラブルな建物表面再構築のための, GS4Buildingsを提案する。 平面構造幾何から事前の深さと正規写像を生成し、それらを最適化プロセスに組み込む。 都市データセットの実験では、GS4Buildingsは再建完了度を20.5%改善し、幾何精度を32.8%改善している。
• 参考スコア（独自算出の注目度）: 6.410170080806193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Gaussian Splatting (GS) have demonstrated its effectiveness in photo-realistic rendering and 3D reconstruction. Among these, 2D Gaussian Splatting (2DGS) is particularly suitable for surface reconstruction due to its flattened Gaussian representation and integrated normal regularization. However, its performance often degrades in large-scale and complex urban scenes with frequent occlusions, leading to incomplete building reconstructions. We propose GS4Buildings, a novel prior-guided Gaussian Splatting method leveraging the ubiquity of semantic 3D building models for robust and scalable building surface reconstruction. Instead of relying on traditional Structure-from-Motion (SfM) pipelines, GS4Buildings initializes Gaussians directly from low-level Level of Detail (LoD)2 semantic 3D building models. Moreover, we generate prior depth and normal maps from the planar building geometry and incorporate them into the optimization process, providing strong geometric guidance for surface consistency and structural accuracy. We also introduce an optional building-focused mode that limits reconstruction to building regions, achieving a 71.8% reduction in Gaussian primitives and enabling a more efficient and compact representation. Experiments on urban datasets demonstrate that GS4Buildings improves reconstruction completeness by 20.5% and geometric accuracy by 32.8%. These results highlight the potential of semantic building model integration to advance GS-based reconstruction toward real-world urban applications such as smart cities and digital twins. Our project is available: https://github.com/zqlin0521/GS4Buildings.
• Abstract（参考訳）: ガウススプラッティング(GS)の最近の進歩は、フォトリアリスティックレンダリングと3次元再構成においてその効果を実証している。 このうち2次元ガウス散乱(2DGS)はその平坦なガウス表現と統合正規化により表面再構成に特に適している。 しかし、その性能は大規模で複雑な都市のシーンでしばしば低下し、しばしば閉鎖され、不完全な建物再建につながった。 本研究では,3次元ビルディングモデルの汎用性を活用して,ロバストでスケーラブルなビルディング表面再構成を行うGS4Buildingsを提案する。 GS4Buildingsは従来のStructure-from-Motion(SfM)パイプラインに頼る代わりに、低レベルのDetail(LoD)2セマンティック3Dビルディングモデルから直接ガウスを初期化する。 さらに,平面構造の形状から事前の深さと正規写像を生成し,それらを最適化プロセスに組み込むことで,表面の整合性や構造的精度について強力な幾何学的ガイダンスを提供する。 また、建築領域への再構成を制限し、ガウス原始体の71.8%の削減を実現し、より効率的でコンパクトな表現を可能にする、任意の建物中心モードを導入する。 都市データセットの実験では、GS4Buildingsは再建完了度を20.5%改善し、幾何精度を32.8%改善している。 これらの結果は、スマートシティやデジタルツインのような現実の都市アプリケーションに向けたGSベースの再構築を進めるためのセマンティックビルディングモデル統合の可能性を強調している。 私たちのプロジェクトは、https://github.com/zqlin0521/GS4Buildings.comで利用可能です。

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)
• QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
  表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。 レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。 大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
  論文  参考訳（メタデータ） (2025-05-08T18:43:26Z)
• UrbanGS: Semantic-Guided Gaussian Splatting for Urban Scene Reconstruction [86.4386398262018]
  UrbanGSは2Dセマンティックマップと既存の動的ガウスアプローチを使って静的オブジェクトとシーンを区別する。 動的オブジェクトに対して、学習可能な時間埋め込みを用いて時間情報を集約する。 提案手法は, 修復の質と効率性において, 最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-12-04T16:59:49Z)
• 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)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
  本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T03:46:59Z)

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。