論文の概要: Frequency-Adaptive Sharpness Regularization for Improving 3D Gaussian Splatting Generalization
- arxiv url: http://arxiv.org/abs/2511.17918v1
- Date: Sat, 22 Nov 2025 05:04:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.513359
- Title: Frequency-Adaptive Sharpness Regularization for Improving 3D Gaussian Splatting Generalization
- Title（参考訳）: 3次元ガウス格子一般化のための周波数適応型シャープネス正規化
- Authors: Youngsik Yun, Dongjun Gu, Youngjung Uh,
- Abstract要約: 3DGSは、スパース観測に過度に適合するため、いくつかのシナリオにおいて、新しい視点での一般化を欠いている。
本稿では,周波数適応型シャープネス規則化(FASR)を提案する。
- 参考スコア（独自算出の注目度）: 22.237251053673088
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Despite 3D Gaussian Splatting (3DGS) excelling in most configurations, it lacks generalization across novel viewpoints in a few-shot scenario because it overfits to the sparse observations. We revisit 3DGS optimization from a machine learning perspective, framing novel view synthesis as a generalization problem to unseen viewpoints-an underexplored direction. We propose Frequency-Adaptive Sharpness Regularization (FASR), which reformulates the 3DGS training objective, thereby guiding 3DGS to converge toward a better generalization solution. Although Sharpness-Aware Minimization (SAM) similarly reduces the sharpness of the loss landscape to improve generalization of classification models, directly employing it to 3DGS is suboptimal due to the discrepancy between the tasks. Specifically, it hinders reconstructing high-frequency details due to excessive regularization, while reducing its strength leads to under-penalizing sharpness. To address this, we reflect the local frequency of images to set the regularization weight and the neighborhood radius when estimating the local sharpness. It prevents floater artifacts in novel viewpoints and reconstructs fine details that SAM tends to oversmooth. Across datasets with various configurations, our method consistently improves a wide range of baselines. Code will be available at https://bbangsik13.github.io/FASR.
- Abstract（参考訳）: 3Dガウススプラッティング(3DGS)は、ほとんどの構成で優れているが、スパース観測に過度に適合するため、数ショットのシナリオにおいて、新しい視点での一般化が欠如している。
我々は3DGSの最適化を機械学習の観点から再考し、新しい視点合成を一般化問題として検討する。
本稿では,周波数適応型シャープネス規則化(FASR)を提案する。これは3DGSのトレーニング目標を再構築し,より一般化された解に向けて3DGSを収束させる。
Sharpness-Aware Minimization (SAM) も同様に損失景観のシャープさを低減し、分類モデルの一般化を改善するが、タスク間の相違により、直接3DGSに3DGSを利用するのが最適である。
具体的には、過度な正規化による高周波詳細の再構築を妨げると同時に、その強度を低下させることで、過度にペナル化するシャープネスにつながる。
そこで本研究では,局所的シャープネスを推定する際に,画像の局所周波数を反映して正規化重みと近傍半径を設定する。
これは、新しい視点でフローターのアーティファクトを防ぎ、SAMが過度に滑らかである傾向がある細部を再構築する。
様々な構成のデータセットにまたがって、我々の手法は一貫して幅広いベースラインを改善している。
コードはhttps://bbangsik13.github.io/FASR.comから入手できる。
関連論文リスト
- GaussianLens: Localized High-Resolution Reconstruction via On-Demand Gaussian Densification [77.40235389999]
そこで本研究では,ユーザの関心領域の詳細な情報を取得するために,初期3DGSを高密度化するための一般化可能なネットワークを提案する。
提案手法の局所的な細部再構築における優れた性能と,最大1024時間1024ドルの解像度の画像に対するスケーラビリティを示す実験を行った。
論文 参考訳（メタデータ） (2025-09-29T23:58:49Z) - DropGaussian: Structural Regularization for Sparse-view Gaussian Splatting [5.216151302783165]
本稿では,DropGaussianと呼ばれる3次元ガウススプラッティングの簡易な変更による事前自由化手法を提案する。
具体的には、トレーニングプロセス中にランダムにガウスをドロップアウトで除去し、非除外ガウスがより大きな勾配を持つようにします。
このような単純な操作は、オーバーフィッティング問題を効果的に軽減し、新規なビュー合成の品質を高める。
論文 参考訳（メタデータ） (2025-04-01T13:23:34Z) - 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) - See In Detail: Enhancing Sparse-view 3D Gaussian Splatting with Local Depth and Semantic Regularization [14.239772421978373]
3次元ガウス散乱(3DGS)は、新規なビュー合成において顕著な性能を示した。
しかし、そのレンダリング品質は、粗いインフットビューによって劣化し、歪んだコンテンツと細部が減少する。
本稿では,事前情報を取り入れたスパースビュー3DGS法を提案する。
LLFFデータセット上でPSNRを最大0.4dB改善し、最先端の新規ビュー合成手法より優れる。
論文 参考訳（メタデータ） (2025-01-20T14:30:38Z) - 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) - DyGASR: Dynamic Generalized Exponential Splatting with Surface Alignment for Accelerated 3D Mesh Reconstruction [1.2891210250935148]
従来の3次元ガウス関数の代わりに一般化指数関数を用いて粒子数を減少させるDyGASRを提案する。
また,GSR(Generalized Surface Regularization)を導入し,各点雲の最小のスケーリングベクトルをゼロにする。
提案手法は既存の3DGSベースのメッシュ再構成手法を超越し,25%の高速化,30%のメモリ使用量の削減を実現している。
論文 参考訳（メタデータ） (2024-11-14T03:19:57Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。
局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。
提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
論文 参考訳（メタデータ） (2023-11-30T17:58:57Z)
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。