論文の概要: GSPlane: Concise and Accurate Planar Reconstruction via Structured Representation

• arxiv url: http://arxiv.org/abs/2510.17095v1
• Date: Mon, 20 Oct 2025 01:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.280888
• Title: GSPlane: Concise and Accurate Planar Reconstruction via Structured Representation
• Title（参考訳）: GSPlane:構造化表現による正確な平面再構成
• Authors: Ruitong Gan, Junran Peng, Yang Liu, Chuanchen Luo, Qing Li, Zhaoxiang Zhang,
• Abstract要約: GSPlaneは正確な形状を復元し、平面領域に対してクリーンでよく構造化されたメッシュ接続を生成する。 また、支持平面上のオブジェクトの分離と柔軟な操作を可能にする構造化平面表現の応用についても検討する。
• 参考スコア（独自算出の注目度）: 30.083162532688096
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Planes are fundamental primitives of 3D sences, especially in man-made environments such as indoor spaces and urban streets. Representing these planes in a structured and parameterized format facilitates scene editing and physical simulations in downstream applications. Recently, Gaussian Splatting (GS) has demonstrated remarkable effectiveness in the Novel View Synthesis task, with extensions showing great potential in accurate surface reconstruction. However, even state-of-the-art GS representations often struggle to reconstruct planar regions with sufficient smoothness and precision. To address this issue, we propose GSPlane, which recovers accurate geometry and produces clean and well-structured mesh connectivity for plane regions in the reconstructed scene. By leveraging off-the-shelf segmentation and normal prediction models, GSPlane extracts robust planar priors to establish structured representations for planar Gaussian coordinates, which help guide the training process by enforcing geometric consistency. To further enhance training robustness, a Dynamic Gaussian Re-classifier is introduced to adaptively reclassify planar Gaussians with persistently high gradients as non-planar, ensuring more reliable optimization. Furthermore, we utilize the optimized planar priors to refine the mesh layouts, significantly improving topological structure while reducing the number of vertices and faces. We also explore applications of the structured planar representation, which enable decoupling and flexible manipulation of objects on supportive planes. Extensive experiments demonstrate that, with no sacrifice in rendering quality, the introduction of planar priors significantly improves the geometric accuracy of the extracted meshes across various baselines.
• Abstract（参考訳）: 平面は、特に屋内空間や街路のような人工の環境において、基本的な3D文の原始である。 これらの平面を構造化されパラメータ化されたフォーマットで表現することで、下流アプリケーションにおけるシーン編集と物理シミュレーションが容易になる。 近年,Gaussian Splatting (GS) は新しいビュー合成タスクにおいて顕著な効果を示し,その拡張は正確な表面再構成に大きな可能性を示している。 しかし、最先端のGS表現でさえ、十分な滑らかさと精度で平面領域の再構築に苦慮することが多い。 この問題に対処するため, GSPlaneを提案する。GSPlaneは正確な形状を復元し, 再構成されたシーンにおける平面領域に対するクリーンでよく構造化されたメッシュ接続を生成する。 既成のセグメンテーションと正規予測モデルを活用することで、GSPlaneは、平面ガウス座標の構造的表現を確立するために頑健な平面事前を抽出し、幾何整合を強制することでトレーニングプロセスの導出を支援する。 トレーニングの堅牢性をさらに高めるために、動的ガウス再分類器を導入し、非平面的な勾配の高い平面ガウスを適応的に非平面として再分類し、より信頼性の高い最適化を保証する。 さらに,メッシュのレイアウトを改良し,頂点や面の数を減らしながらトポロジ的構造を大幅に改善する。 また、支持平面上のオブジェクトの分離と柔軟な操作を可能にする構造化平面表現の応用についても検討する。 大規模な実験では、レンダリング品質を犠牲にすることなく、様々なベースラインにわたって抽出されたメッシュの幾何的精度を著しく向上させることが示されている。

関連論文リスト

• G4Splat: Geometry-Guided Gaussian Splatting with Generative Prior [53.762256749551284]
  我々は,3次元シーン再構成を効果的に活用するための基本的な前提条件として,正確な幾何学を同定する。 生成パイプライン全体にこの幾何学的ガイダンスを導入し、可視性マスク推定を改善し、新しいビュー選択をガイドし、ビデオ拡散モデルに着色した場合の多視点一貫性を向上させる。 本手法は,屋内および屋外の両方のシナリオにおいて,高い一般化性を有するシングルビュー入力とアンポーズ映像を自然にサポートする。
  論文  参考訳（メタデータ） (2025-10-14T03:06:28Z)
• 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)
• Accurate and Complete Surface Reconstruction from 3D Gaussians via Direct SDF Learning [5.604709769018076]
  3D Gaussian Splatting (3DGS) はフォトリアリスティック・ビュー・シンセサイザーの強力なパラダイムとして登場した。 3DGSパイプラインに直接サインドディスタンスフィールド(Signed Distance Field, SDF)学習を組み込む統合フレームワークであるDiGSを提案する。 DiGSは高い忠実度を維持しつつ,復元精度と完全性を常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-09T08:17:46Z)
• MeshSplat: Generalizable Sparse-View Surface Reconstruction via Gaussian Splatting [37.35249331090283]
  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。
  論文  参考訳（メタデータ） (2025-08-25T09:04:20Z)
• A Mixed-Primitive-based Gaussian Splatting Method for Surface Reconstruction [61.205927223522174]
  本稿では,ガウススプラッティングが表面再構成過程において,複数のプリミティブを組み込むことを可能にする新しいフレームワークを提案する。 具体的には,我々はまず,異なる種類のプリミティブのスプレイティングとレンダリングを可能にする構成的スプレイティング戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-15T13:52:40Z)
• Planar Gaussian Splatting [42.74999794635269]
  Planar Gaussian Splatting (PGS)は、3D幾何学を学習し、シーンの3D平面を解析する新しいニューラルネットワーク手法である。 PGSは3次元平面ラベルや深度監視を必要とせず、3次元平面再構成における最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-02T19:46:43Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  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)
• 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)
• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)

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。