論文の概要: MeshSplat: Generalizable Sparse-View Surface Reconstruction via Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2508.17811v1
• Date: Mon, 25 Aug 2025 09:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.701609
• Title: MeshSplat: Generalizable Sparse-View Surface Reconstruction via Gaussian Splatting
• Title（参考訳）: MeshSplat:Gaussian Splattingによる一般化可能なスパースビュー表面再構成
• Authors: Hanzhi Chang, Ruijie Zhu, Wenjie Chang, Mulin Yu, Yanzhe Liang, Jiahao Lu, Zhuoyuan Li, Tianzhu Zhang,
• Abstract要約: 本稿では,ガウススプラッティングによるスパース・ビュー・サーフェス・リコンストラクション・フレームワークであるMeshSplatを提案する。 我々のキーとなる考え方は、2DGSを橋として活用することであり、これは新しいビュー合成と学習された幾何学的先行とを結びつけるものである。 フィードフォワードネットワークを導入し、ビュー毎の2DGSを予測することで、新しいビュー画像の合成を可能にする。
• 参考スコア（独自算出の注目度）: 37.35249331090283
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Surface reconstruction has been widely studied in computer vision and graphics. However, existing surface reconstruction works struggle to recover accurate scene geometry when the input views are extremely sparse. To address this issue, we propose MeshSplat, a generalizable sparse-view surface reconstruction framework via Gaussian Splatting. Our key idea is to leverage 2DGS as a bridge, which connects novel view synthesis to learned geometric priors and then transfers these priors to achieve surface reconstruction. Specifically, we incorporate a feed-forward network to predict per-view pixel-aligned 2DGS, which enables the network to synthesize novel view images and thus eliminates the need for direct 3D ground-truth supervision. To improve the accuracy of 2DGS position and orientation prediction, we propose a Weighted Chamfer Distance Loss to regularize the depth maps, especially in overlapping areas of input views, and also a normal prediction network to align the orientation of 2DGS with normal vectors predicted by a monocular normal estimator. Extensive experiments validate the effectiveness of our proposed improvement, demonstrating that our method achieves state-of-the-art performance in generalizable sparse-view mesh reconstruction tasks. Project Page: https://hanzhichang.github.io/meshsplat_web
• Abstract（参考訳）: 表面再構成はコンピュータビジョンとグラフィックスで広く研究されている。 しかし、入力ビューが極めて疎い場合、既存の表面再構成作業は正確なシーン形状の復元に苦慮している。 この問題に対処するために,ガウススプラッティングを通した一般化可能なスパース面再構成フレームワークであるMeshSplatを提案する。 我々のキーとなる考え方は、2DGSを橋として活用することであり、これは新しいビュー合成を学習された幾何学的先行点に接続し、これらの先行点を変換して表面再構成を実現する。 具体的には,表示画素ごとの2DGSを予測するために,フィードフォワードネットワークを組み込んだ。 2DGSの位置と向きの予測の精度を向上させるために,特に入力ビューの重なり合う領域において深度マップを正規化するための重み付きチャンファー距離損失を提案し,また2DGSの向きを単分子正規推定器によって予測される正規ベクトルと整列する正規予測ネットワークを提案する。 拡張実験により提案手法の有効性を検証し,提案手法がスパース・ビュー・メッシュ再構築タスクにおける最先端性能を実現することを示す。 Project Page: https://hanzhichang.github.io/meshsplat_web

関連論文リスト

• Multi-view Normal and Distance Guidance Gaussian Splatting for Surface Reconstruction [2.760653393100493]
  3D Gaussian Splatting (3DGS) は表面再構成の分野で顕著な成果を上げている。 しかし、ガウス正規ベクトルが単視点射影平面内に配置されているとき、現在のビューでは幾何は妥当であるように見えるが、近くのビューに切り替えるとバイアスが現れるかもしれない。 我々は,近傍のビューにおける画素点の正規値と一致させ,損失を計算することで,ビュー間の整合性を確保するマルチビュー正規拡張モジュールを開発した。
  論文  参考訳（メタデータ） (2025-08-11T07:25:13Z)
• Sparse2DGS: Geometry-Prioritized Gaussian Splatting for Surface Reconstruction from Sparse Views [45.125032766506536]
  完全かつ正確な再構成のためのMVS-d Gaussian Splatting PipelineであるSparse2DGSを提案する。 我々の重要な洞察は、幾何学的優先順位付けされた拡張スキームを組み込むことであり、不適切な条件下での直接的かつ堅牢な幾何学的学習を可能にする。 Sparse2DGSは、NeRFベースの微調整方式よりも2倍の速さで既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-04-29T02:47:02Z)
• GausSurf: Geometry-Guided 3D Gaussian Splatting for Surface Reconstruction [79.42244344704154]
  GausSurfは、テクスチャリッチな領域におけるマルチビュー一貫性と、シーンのテクスチャレスな領域における通常の事前の幾何学的ガイダンスを採用している。 本手法は,再現性や計算時間の観点から,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-11-29T03:54:54Z)
• 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)
• 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)
• GigaGS: Scaling up Planar-Based 3D Gaussians for Large Scene Surface Reconstruction [71.08607897266045]
  3D Gaussian Splatting (3DGS) は新規なビュー合成において有望な性能を示した。 本研究は,大規模な景観表面再構築の課題に取り組むための最初の試みである。 3DGSを用いた大規模シーンのための高品質な表面再構成手法であるGigaGSを提案する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:39Z)
• Deep Active Surface Models [60.027353171412216]
  アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。 グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
  論文  参考訳（メタデータ） (2020-11-17T18:48:28Z)

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。