論文の概要: GS-RoadPatching: Inpainting Gaussians via 3D Searching and Placing for Driving Scenes

• arxiv url: http://arxiv.org/abs/2509.19937v1
• Date: Wed, 24 Sep 2025 09:44:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.763122
• Title: GS-RoadPatching: Inpainting Gaussians via 3D Searching and Placing for Driving Scenes
• Title（参考訳）: GS-RoadPatching:3D検索でガウシアンに絵を描く
• Authors: Guo Chen, Jiarun Liu, Sicong Du, Chenming Wu, Deqi Li, Shi-Sheng Huang, Guofeng Zhang, Sheng Yang,
• Abstract要約: GS-RoadPatching(GS-RoadPatching)は、完全に再構成された領域を参照してシーン完了を駆動する方法である。 提案手法は,3DGSモダリティによる代替シーンの塗り絵や編集を可能にする。
• 参考スコア（独自算出の注目度）: 19.288891609639602
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents GS-RoadPatching, an inpainting method for driving scene completion by referring to completely reconstructed regions, which are represented by 3D Gaussian Splatting (3DGS). Unlike existing 3DGS inpainting methods that perform generative completion relying on 2D perspective-view-based diffusion or GAN models to predict limited appearance or depth cues for missing regions, our approach enables substitutional scene inpainting and editing directly through the 3DGS modality, extricating it from requiring spatial-temporal consistency of 2D cross-modals and eliminating the need for time-intensive retraining of Gaussians. Our key insight is that the highly repetitive patterns in driving scenes often share multi-modal similarities within the implicit 3DGS feature space and are particularly suitable for structural matching to enable effective 3DGS-based substitutional inpainting. Practically, we construct feature-embedded 3DGS scenes to incorporate a patch measurement method for abstracting local context at different scales and, subsequently, propose a structural search method to find candidate patches in 3D space effectively. Finally, we propose a simple yet effective substitution-and-fusion optimization for better visual harmony. We conduct extensive experiments on multiple publicly available datasets to demonstrate the effectiveness and efficiency of our proposed method in driving scenes, and the results validate that our method achieves state-of-the-art performance compared to the baseline methods in terms of both quality and interoperability. Additional experiments in general scenes also demonstrate the applicability of the proposed 3D inpainting strategy. The project page and code are available at: https://shanzhaguoo.github.io/GS-RoadPatching/
• Abstract（参考訳）: 本稿では,3次元ガウス・スプレイティング(3DGS)で表現された,完全に再構成された領域を参照してシーン完了を図解するGS-RoadPatchingを提案する。 2次元視点に基づく拡散やGANモデルを用いた既存の3DGS塗装法とは異なり,本手法では3次元GSモダリティを介し,空間的時間的一貫性を必要とせず,ガウスの時間的拘束を不要にすることで,代替シーンの塗り絵や編集を可能にする。 我々の重要な洞察は、運転シーンにおける非常に反復的なパターンは、暗黙の3DGS特徴空間内で多モード類似性を共有することが多く、特に3DGSに基づく置換塗布を効果的に行えるように構造マッチングに適していることである。 実際に,異なるスケールで局所的コンテキストを抽象化するパッチ計測手法を組み込むために,特徴埋め込み型3DGSシーンを構築し,次いで3次元空間における候補パッチを効果的に検索する構造的探索手法を提案する。 最後に,視覚的調和を改善するために,簡易かつ効果的な置換と融合の最適化を提案する。 提案手法の有効性と効率を実証するため,複数の公開データセットに対して広範囲に実験を行い,本手法が品質と相互運用性の両方の観点からベースライン手法と比較して最先端の性能を達成できることを実証した。 一般的な場面での追加実験では、提案した3Dインペイント戦略の適用性も示されている。 プロジェクトページとコードは以下の通りである。

関連論文リスト

• Mastering Regional 3DGS: Locating, Initializing, and Editing with Diverse 2D Priors [67.22744959435708]
  3Dセマンティックパーシングは2Dに比べて性能が劣ることが多く、3D空間内でのターゲット操作がより困難になり、編集の忠実さが制限される。 本稿では,2次元拡散編集を利用して各ビューの修正領域を正確に同定し,次に3次元ローカライゼーションのための逆レンダリングを行う。 実験により,提案手法は最新技術の性能を実現し,最大4倍のスピードアップを実現した。
  論文  参考訳（メタデータ） (2025-07-07T19:15:43Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
  軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。 第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。 広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
  論文  参考訳（メタデータ） (2024-09-24T23:18:32Z)
• TranSplat: Generalizable 3D Gaussian Splatting from Sparse Multi-View Images with Transformers [14.708092244093665]
  我々は,正確な局所特徴マッチングを導くために,予測深度信頼マップを利用する戦略を開発する。 本稿では,RealEstate10KベンチマークとACIDベンチマークの両方で最高の性能を示すTranSplatという新しいG-3DGS手法を提案する。
  論文  参考訳（メタデータ） (2024-08-25T08:37:57Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
  本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。 オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
  論文  参考訳（メタデータ） (2023-11-29T20:30:18Z)
• GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
  我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。 提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。 提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-20T12:08:23Z)

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。