論文の概要: TSPE-GS: Probabilistic Depth Extraction for Semi-Transparent Surface Reconstruction via 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2511.09944v1
• Date: Fri, 14 Nov 2025 01:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.596087
• Title: TSPE-GS: Probabilistic Depth Extraction for Semi-Transparent Surface Reconstruction via 3D Gaussian Splatting
• Title（参考訳）: TSPE-GS:3次元ガウス法による半透明表面再構成のための確率的深さ抽出
• Authors: Zhiyuan Xu, Nan Min, Yuhang Guo, Tong Wei,
• Abstract要約: 3D Gaussian Splattingは、高い速度品質のトレードオフを提供するが、ほとんどのメソッドは1ピクセルあたりの深さを仮定するため、半透明な表面の再構築に苦慮している。 我々は,不透明度と深さの画素単位のマルチモーダル分布をモデル化するために,透過率を均一にサンプリングするTSPE-GSを提案する。
• 参考スコア（独自算出の注目度）: 15.513430559997701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting offers a strong speed-quality trade-off but struggles to reconstruct semi-transparent surfaces because most methods assume a single depth per pixel, which fails when multiple surfaces are visible. We propose TSPE-GS (Transparent Surface Probabilistic Extraction for Gaussian Splatting), which uniformly samples transmittance to model a pixel-wise multi-modal distribution of opacity and depth, replacing the prior single-peak assumption and resolving cross-surface depth ambiguity. By progressively fusing truncated signed distance functions, TSPE-GS reconstructs external and internal surfaces separately within a unified framework. The method generalizes to other Gaussian-based reconstruction pipelines without extra training overhead. Extensive experiments on public and self-collected semi-transparent and opaque datasets show TSPE-GS significantly improves semi-transparent geometry reconstruction while maintaining performance on opaque scenes.
• Abstract（参考訳）: 3D Gaussian Splattingは、高い速度品質のトレードオフを提供するが、ほとんどのメソッドは1ピクセルあたりの1つの深さを仮定するため、半透明な表面の再構築に苦慮している。 TSPE-GS (Transparent Surface Probabilistic extract for Gaussian Splatting) は、透過率を均一にサンプリングし、不透明度と深さの画素単位の多重モード分布をモデル化し、以前の単一ピーク仮定を置き換え、表面深度あいまいさを解消する。 TSPE-GSは、切り離された符号付き距離関数を段階的に融合することにより、統一されたフレームワーク内で外部および内部の表面を分離的に再構成する。 この方法は、余分なトレーニングオーバーヘッドを伴わずに、他のガウスベースの再構築パイプラインに一般化する。 公開および自己収集された半透明および不透明なデータセットに対する大規模な実験により、TSPE-GSは不透明なシーンのパフォーマンスを維持しながら半透明な幾何再構成を著しく改善した。

関連論文リスト

• PFDepth: Heterogeneous Pinhole-Fisheye Joint Depth Estimation via Distortion-aware Gaussian-Splatted Volumetric Fusion [61.6340987158734]
  ヘテロジニアス多視点深度推定のための最初のピンホール・フィッシュアイ・フレームワークPFDepthを提案する。 PFDepthは、ピンホールと魚眼カメラの任意の組み合わせを、様々な内在と外生とで処理できる統一アーキテクチャを採用している。 我々は,現在の主流深度ネットワーク上でのKITTI-360およびRealHetデータセットに対して,PFDepthが最先端の性能を示すことを示す。
  論文  参考訳（メタデータ） (2025-09-30T09:38:59Z)
• MILo: Mesh-In-the-Loop Gaussian Splatting for Detailed and Efficient Surface Reconstruction [38.02000636240954]
  3次元ガウスからメッシュを微分的に抽出することにより,体積表現と表面表現のギャップを埋める新しいフレームワークMILoを提案する。 提案手法では,従来の手法に比べてメッシュ頂点のオーダーを桁違いに少なくしつつ,背景を含む全シーンを最先端の品質で再構築することができる。
  論文  参考訳（メタデータ） (2025-06-30T17:48:54Z)
• TSGS: Improving Gaussian Splatting for Transparent Surface Reconstruction via Normal and De-lighting Priors [39.60777069381983]
  我々は、幾何学学習と外観改善を分離する新しいフレームワークであるTransparent Surface Gaussian Splatting (TSGS)を紹介した。 幾何学学習の段階では、TSGSは、表面を正確に表現するために、スペクトル抑圧された入力を用いて幾何学に焦点を当てる。 深度推定を強化するため、TSGSは第1面の深度抽出法を採用している。
  論文  参考訳（メタデータ） (2025-04-17T10:00:09Z)
• TranSplat: Surface Embedding-guided 3D Gaussian Splatting for Transparent Object Manipulation [10.957451368533302]
  TranSplat は透明物体に適した表面埋め込み誘導型3次元ガウス散乱法である。 これらの表面埋め込みと入力されたRGB画像を統合することで、TranSplatは透明な表面の複雑さを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2025-02-11T03:43:56Z)
• 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)
• Volumetric Surfaces: Representing Fuzzy Geometries with Layered Meshes [59.17785932398617]
  高品質なビュー合成はボリュームレンダリング、スプレイティング、サーフェスレンダリングに依存している。 実時間ビュー合成のための新しい表現として,サンプリング位置の個数が小さく,有界であることを示す。 我々は、オブジェクトを半透明な多層メッシュとして固定順序で表現することで、これを実現する。
  論文  参考訳（メタデータ） (2024-09-04T07:18:26Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)

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。