論文の概要: MUGSQA: Novel Multi-Uncertainty-Based Gaussian Splatting Quality Assessment Method, Dataset, and Benchmarks

• arxiv url: http://arxiv.org/abs/2511.06830v1
• Date: Mon, 10 Nov 2025 08:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.154752
• Title: MUGSQA: Novel Multi-Uncertainty-Based Gaussian Splatting Quality Assessment Method, Dataset, and Benchmarks
• Title（参考訳）: MUGSQA: 複数不確実性に基づくガウスプラッティング品質評価手法,データセット,ベンチマーク
• Authors: Tianang Chen, Jian Jin, Shilv Cai, Zhuangzi Li, Weisi Lin,
• Abstract要約: ガウススプラッティング (GS) は3次元オブジェクト再構成の有望な技術として登場し, 再現速度を大幅に改善した高品質なレンダリング結果を提供している。 異なるGSベースの方法で再構成された3Dオブジェクトの知覚的品質を評価することは、依然としてオープンな課題である。 本研究では,GS法で再構成されたオブジェクトに対する人間の視聴動作を忠実に模倣する,マルチ距離主観的品質評価手法を提案する。 提案手法は,複数の不確実性下での各種GSベースの再構築手法の堅牢性を評価するためのベンチマークと,既存の品質評価指標の性能を評価するためのベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 50.53294970211443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian Splatting (GS) has recently emerged as a promising technique for 3D object reconstruction, delivering high-quality rendering results with significantly improved reconstruction speed. As variants continue to appear, assessing the perceptual quality of 3D objects reconstructed with different GS-based methods remains an open challenge. To address this issue, we first propose a unified multi-distance subjective quality assessment method that closely mimics human viewing behavior for objects reconstructed with GS-based methods in actual applications, thereby better collecting perceptual experiences. Based on it, we also construct a novel GS quality assessment dataset named MUGSQA, which is constructed considering multiple uncertainties of the input data. These uncertainties include the quantity and resolution of input views, the view distance, and the accuracy of the initial point cloud. Moreover, we construct two benchmarks: one to evaluate the robustness of various GS-based reconstruction methods under multiple uncertainties, and the other to evaluate the performance of existing quality assessment metrics. Our dataset and benchmark code will be released soon.
• Abstract（参考訳）: ガウススプラッティング(GS)は3次元オブジェクト再構成の有望な技術として最近登場し,再現速度を大幅に改善した高品質なレンダリング結果を提供している。 変種が現れるにつれて、異なるGSベースの方法で再構成された3Dオブジェクトの知覚的品質を評価することは、依然としてオープンな課題である。 この問題に対処するために,我々はまず,GS法で再構成されたオブジェクトに対する人間の視聴動作を忠実に模倣した,多視点主観的品質評価手法を提案する。 また,入力データの不確実性を考慮した新しいGS品質評価データセットMUGSQAを構築した。 これらの不確実性には、入力ビューの量と解像度、ビュー距離、初期点雲の精度が含まれる。 さらに,複数の不確実性の下で各種GSベースの再構成手法の堅牢性を評価するためのベンチマークと,既存の品質評価指標の性能を評価するベンチマークを構築した。 私たちのデータセットとベンチマークコードはまもなくリリースされます。

関連論文リスト

• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• Hi3DEval: Advancing 3D Generation Evaluation with Hierarchical Validity [78.7107376451476]
  Hi3DEvalは3D生成コンテンツに適した階層的評価フレームワークである。 素材リアリズムを明示的に評価することで審美的外観を超えてテクスチャ評価を拡張する。 ハイブリッド3次元表現に基づく3次元自動スコアリングシステムを提案する。
  論文  参考訳（メタデータ） (2025-08-07T17:50:13Z)
• Evaluating Robustness of Monocular Depth Estimation with Procedural Scene Perturbations [55.4735586739093]
  我々は,系統的ロバストネス評価を可能にする新しいベンチマークであるPDEを紹介する。 PDEは手続き生成を使用して、様々な制御された摂動に対する堅牢性をテストする3Dシーンを生成する。 我々の分析は、最先端の深度モデルではどのような摂動が困難なのか、興味深い結果をもたらす。
  論文  参考訳（メタデータ） (2025-07-01T17:33:48Z)
• GTR: Gaussian Splatting Tracking and Reconstruction of Unknown Objects Based on Appearance and Geometric Complexity [49.31257173003408]
  モノクローナルRGBDビデオからの6-DoFオブジェクト追跡と高品質な3D再構成のための新しい手法を提案する。 提案手法は, 高忠実度オブジェクトメッシュを復元する強力な能力を示し, オープンワールド環境における単一センサ3D再構成のための新しい標準を策定する。
  論文  参考訳（メタデータ） (2025-05-17T08:46:29Z)
• GS-QA: Comprehensive Quality Assessment Benchmark for Gaussian Splatting View Synthesis [4.117347527143616]
  Gaussian Splatting (GS)はリアルタイム3DシーンレンダリングのためのNeural Radiance Fields (NeRF)に代わる有望な代替手段を提供する。 GSは、NeRFで使用されるニューラルネットワークアプローチと比較して、レンダリング時間の短縮とメモリ消費の削減を実現している。 本稿では,複数の静的GS法による合成映像の評価を目的とした主観的品質評価研究について述べる。
  論文  参考訳（メタデータ） (2025-02-18T17:46:57Z)
• Stochasticity-aware No-Reference Point Cloud Quality Assessment [27.27917013945021]
  従来の研究は、ポイントクラウド品質評価(PCQA)をレグレッション問題と見なしていた。 この研究は、既存のデータセットのラベル付けプロセスによって動機付けられた、非参照PCQAのための最初の確率的アーキテクチャを示す。
  論文  参考訳（メタデータ） (2024-01-17T02:25:42Z)
• Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels [0.0]
  顔画像品質評価(FIQA)技術は、品質の悪いデータを拒否するのに使用できるサンプル品質情報を提供する。 本稿では,マットペアの類似点からのサンプル品質情報を品質予測に組み込んだ品質ラベル最適化手法を提案する。 提案手法は3つの多様なデータセットに対して3つの最先端FIQA手法を用いて評価する。
  論文  参考訳（メタデータ） (2022-08-31T08:24:09Z)
• Regression or Classification? New Methods to Evaluate No-Reference Picture and Video Quality Models [45.974399400141685]
  粗いレベルでの非参照品質モデルの評価と比較のための2つの新しい手法を提案する。 我々は、最近の画像とビデオの品質データセットに基づいて、人気のあるノン参照品質モデルのベンチマーク実験を行う。
  論文  参考訳（メタデータ） (2021-01-30T05:40:14Z)

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。