論文の概要: FixingGS: Enhancing 3D Gaussian Splatting via Training-Free Score Distillation

• arxiv url: http://arxiv.org/abs/2509.18759v1
• Date: Tue, 23 Sep 2025 07:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.759033
• Title: FixingGS: Enhancing 3D Gaussian Splatting via Training-Free Score Distillation
• Title（参考訳）: FixingGS: トレーニングフリーのスコア蒸留による3Dガウスめっきの強化
• Authors: Zhaorui Wang, Yi Gu, Deming Zhou, Renjing Xu,
• Abstract要約: スパースビュー3DGS再構成強化のためのトレーニング不要なFixingGSを提案する。 FixingGSの核心は蒸留法であり、より正確かつ相互にコヒーレントな拡散を先導する。 さらに,非拘束領域における再構成をさらに洗練する適応的漸進的拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 24.04452256357554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, 3D Gaussian Splatting (3DGS) has demonstrated remarkable success in 3D reconstruction and novel view synthesis. However, reconstructing 3D scenes from sparse viewpoints remains highly challenging due to insufficient visual information, which results in noticeable artifacts persisting across the 3D representation. To address this limitation, recent methods have resorted to generative priors to remove artifacts and complete missing content in under-constrained areas. Despite their effectiveness, these approaches struggle to ensure multi-view consistency, resulting in blurred structures and implausible details. In this work, we propose FixingGS, a training-free method that fully exploits the capabilities of the existing diffusion model for sparse-view 3DGS reconstruction enhancement. At the core of FixingGS is our distillation approach, which delivers more accurate and cross-view coherent diffusion priors, thereby enabling effective artifact removal and inpainting. In addition, we propose an adaptive progressive enhancement scheme that further refines reconstructions in under-constrained regions. Extensive experiments demonstrate that FixingGS surpasses existing state-of-the-art methods with superior visual quality and reconstruction performance. Our code will be released publicly.
• Abstract（参考訳）: 近年, 3D Gaussian Splatting (3DGS) は3D再構成と新規なビュー合成において顕著な成功を収めている。 しかし, 視覚情報不足のため, 疎遠な視点から3Dシーンを再構築することは, 3D表現全体にわたって顕著な成果をもたらすため, 依然として極めて困難である。 この制限に対処するために、近年の手法は、人工物を取り除き、制約の少ない領域で欠落したコンテンツを完全に除去するために、生成以前の方法に頼っている。 それらの効果にもかかわらず、これらのアプローチはマルチビューの一貫性を確保するのに苦労し、その結果、ぼやけた構造と不可解な詳細をもたらす。 本研究では,スパースビュー3DGS再構成拡張のための既存の拡散モデルの能力をフル活用した,トレーニング不要なFixingGSを提案する。 FixingGSの核心となるのは蒸留法であり、より正確で相互参照のコヒーレントな拡散を先取りし、効率的なアーティファクト除去と塗布を可能にする。 さらに,非拘束領域における再構成をさらに洗練する適応的漸進的拡張手法を提案する。 広汎な実験により、FixingGSは既存の最先端の手法を超越し、視覚的品質と再構築性能が向上した。 私たちのコードは公開されます。

関連論文リスト

• RobustGS: Unified Boosting of Feedforward 3D Gaussian Splatting under Low-Quality Conditions [67.48495052903534]
  本稿では,汎用的で効率的なマルチビュー機能拡張モジュールRobustGSを提案する。 各種の有害撮像条件下でのフィードフォワード3DGS法のロバスト性を大幅に向上させる。 RobustGSモジュールはプラグイン・アンド・プレイ方式で既存の事前訓練パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-05T04:50:29Z)
• AAA-Gaussians: Anti-Aliased and Artifact-Free 3D Gaussian Rendering [8.972911362220803]
  エイリアスを緩和する適応型3次元平滑化フィルタを導入し,安定なビュー空間境界法を提案する。 本評価では, エイリアス, 歪み, ポップアップアーティファクトを効果的に除去し, リアルタイム, アーティファクトフリーなレンダリングを実現する。
  論文  参考訳（メタデータ） (2025-04-17T10:16:47Z)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• Difix3D+: Improving 3D Reconstructions with Single-Step Diffusion Models [65.90387371072413]
  本稿では,3次元再構成と新規ビュー合成を向上する新しいパイプラインであるDifix3D+を紹介する。 このアプローチのコアとなるのは、レンダリングされた新規ビューにおけるアーティファクトの強化と削除のためにトレーニングされた、単一ステップのイメージ拡散モデルであるDifixです。
  論文  参考訳（メタデータ） (2025-03-03T17:58:33Z)
• ResGS: Residual Densification of 3D Gaussian for Efficient Detail Recovery [11.706262924395768]
  そこで我々は, 残留分断法を新たに導入し, 残留分断法としてガウシアンを付加した。 我々のアプローチは、詳細を適応的に検索し、欠落した幾何学を補完することができる。
  論文  参考訳（メタデータ） (2024-12-10T13:19:27Z)
• 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)
• Bootstrap-GS: Self-Supervised Augmentation for High-Fidelity Gaussian Splatting [9.817215106596146]
  3D-GSは、トレーニング中に遭遇したものとは大きく異なる、新しいビューを生成する際に制限に直面します。 この問題に対処するためのブートストラップフレームワークを導入します。 提案手法は,限られたトレーニングセットと整合した新しい視点から,擬似地下真実を合成する。
  論文  参考訳（メタデータ） (2024-04-29T12:57:05Z)

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。