Fugu-MT 論文翻訳(概要): Effective Gaussian Management for High-fidelity Object Reconstruction

論文の概要: Effective Gaussian Management for High-fidelity Object Reconstruction

arxiv url: http://arxiv.org/abs/2509.12742v2
Date: Sun, 09 Nov 2025 10:44:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 14:56:00.140252
Title: Effective Gaussian Management for High-fidelity Object Reconstruction
Title（参考訳）: 高忠実度物体再構成のためのガウス的効果的管理
Authors: Jiateng Liu, Hao Gao, Jiu-Cheng Xie, Chi-Man Pun, Jian Xiong, Haolun Li, Junxin Chen, Feng Xu,
Abstract要約: 本稿では、外観と幾何学の高忠実度シーン再構築のための効果的なガウス管理フレームワークを提案する。提案手法は,最先端手法と比較して外観と幾何学の両方を再構築する上で,優れた性能を実現する。
参考スコア（独自算出の注目度）: 47.01735185355104
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents an effective Gaussian management framework for high-fidelity scene reconstruction of appearance and geometry. Departing from recent Gaussian Splatting (GS) methods that rely on indiscriminate attribute assignment, our approach introduces a novel densification strategy called \emph{GauSep} that selectively activates Gaussian color or normal attributes. Together with a tailored rendering pipeline, termed \emph{Separate Rendering}, this strategy alleviates gradient conflicts arising from dual supervision and yields improved reconstruction quality. In addition, we develop \emph{GauRep}, an adaptive and integrated Gaussian representation that reduces redundancy both at the individual and global levels, effectively balancing model capacity and number of parameters. To provide reliable geometric supervision essential for effective management, we also introduce \emph{CoRe}, a novel surface reconstruction module that distills normal fields from the SDF branch to the Gaussian branch through a confidence mechanism. Notably, our management framework is model-agnostic and can be seamlessly incorporated into other architectures, simultaneously improving performance and reducing model size. Extensive experiments demonstrate that our approach achieves superior performance in reconstructing both appearance and geometry compared with state-of-the-art methods, while using significantly fewer parameters.
Abstract（参考訳）: 本稿では、外観と幾何学の高忠実度シーン再構築のための効果的なガウス管理フレームワークを提案する。そこで本研究では, ガウス色や正規属性を選択的に活性化する「emph{GauSep}」と呼ばれる新しいデンシフィケーション戦略を導入する。この戦略は、調整されたレンダリングパイプラインである \emph{Separate Rendering} とともに、二重監督による勾配の衝突を緩和し、再構築品質を改善する。さらに,適応的かつ統合的なガウス表現である \emph{GauRep} を開発し,モデルキャパシティとパラメータの数とを効果的にバランスさせて,個人レベルでの冗長性を低減する。また,SDF枝からガウス枝への通常の磁場を蒸留する新しい表面再構成モジュールである \emph{CoRe} を導入する。特に、私たちの管理フレームワークはモデルに依存しないため、他のアーキテクチャにシームレスに組み込むことができ、同時にパフォーマンスを改善し、モデルのサイズを減らすことができます。大規模実験により, 従来の手法に比べて外観・形状の再構築に優れた性能を示し, パラメータは著しく少ないことがわかった。

関連論文リスト

StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文参考訳（メタデータ） (2026-03-02T11:35:05Z)
MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
論文参考訳（メタデータ） (2025-11-24T14:34:19Z)
VGD: Visual Geometry Gaussian Splatting for Feed-Forward Surround-view Driving Reconstruction [26.668204454537246]
我々は,この課題に対処すべく,新しいフィードフォワードエンドツーエンド学習フレームワークであるtextbfVisual Gaussian Driving (VGD)を紹介した。提案手法は, 客観的指標と主観的品質の両方において, 種々の条件下で, 最先端の手法を著しく上回ることを示す。
論文参考訳（メタデータ） (2025-10-22T13:28:49Z)
OMeGa: Joint Optimization of Explicit Meshes and Gaussian Splats for Robust Scene-Level Surface Reconstruction [10.746979229164815]
OMeGaは、明示的な三角形メッシュと2Dガウススプラットを共同で最適化するエンドツーエンドフレームワークである。 OMeGaは、挑戦的な屋内再構築ベンチマーク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） (2025-09-29T05:43:40Z)
Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文参考訳（メタデータ） (2025-09-03T18:05:02Z)
Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [59.6658995479243]
P&M(texttext-Perturb-and-Merge)は,モデルマージをCLパラダイムに統合し,忘れることを避けるための新しい連続学習フレームワークである。理論的解析により、全てのタスクにおける総損失増加を最小化し、最適マージ係数の解析解を導出する。提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2025-05-28T14:14:19Z)
Memory-Efficient LLM Training by Various-Grained Low-Rank Projection of Gradients [36.31328244962629]
低ランク勾配投影(LoRP)は、メモリ効率の良い微調整のための有望な解である。既存のLoRP法では、勾配行列の各行をデフォルトの射影単位として扱い、射影の粒度の役割は未解明のままである。本稿では、メモリ効率と性能のトレードオフを制御するための追加の自由度を導入することで、低ランク勾配予測を拡張する新しいフレームワークVLoRPを提案する。
論文参考訳（メタデータ） (2025-05-03T08:50:14Z)
InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。 FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
論文参考訳（メタデータ） (2025-04-02T12:40:57Z)
AniGaussian: Animatable Gaussian Avatar with Pose-guided Deformation [51.61117351997808]
SMPLポーズガイダンスを用いて動的ガウスアバターを拘束する革新的ポーズ誘導変形戦略を導入する。我々は、ガウスモデルの動的変換能力を高めるために、以前の研究から厳密な事前を取り入れた。既存の手法との比較により、AniGaussianは定性的結果と定量的指標の両方において優れた性能を示す。
論文参考訳（メタデータ） (2025-02-24T06:53:37Z)
Self-Consistent Model-based Adaptation for Visual Reinforcement Learning [27.701421196547674]
視覚強化学習エージェントは、視覚障害による実世界のアプリケーションの性能低下に直面している。既存の方法は、手作りの拡張でポリシーの表現を微調整することに依存している。本稿では、ポリシーを変更することなくロバスト適応を促進する新しい手法である自己一貫性モデルベース適応(SCMA)を提案する。
論文参考訳（メタデータ） (2025-02-14T05:23:56Z)
DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。大規模な環境下では、復元の質が悪くなる場合が少なくない。本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文参考訳（メタデータ） (2024-11-19T07:51:44Z)
Contribution-based Low-Rank Adaptation with Pre-training Model for Real Image Restoration [13.107571213220123]
複数画像復元のためのコントリビューションベース低ランク適応(CoLoRA)と呼ばれる新しいパラメータチューニング手法を提案する。 PRODを用いた我々のCoLoRAは, 合成データセットと実世界のデータセットの多種多様な劣化タイプにまたがって, 様々な画像復元タスクにおいて優れた性能を示した。
論文参考訳（メタデータ） (2024-08-02T08:24:05Z)
Adversarial Style Transfer for Robust Policy Optimization in Deep Reinforcement Learning [13.652106087606471]
本稿では,特徴量に対する過度な適合を取り除き,強化学習エージェントの一般化をめざすアルゴリズムを提案する。政策ネットワークは、そのパラメータを更新し、そのような摂動の影響を最小限に抑え、将来期待される報酬を最大化しながら頑健に維持する。一般化とサンプル効率向上のためのProcgen and Distracting Control Suiteに対するアプローチを評価した。
論文参考訳（メタデータ） (2023-08-29T18:17:35Z)

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。