論文の概要: DensifyBeforehand: LiDAR-assisted Content-aware Densification for Efficient and Quality 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2511.19294v1
- Date: Mon, 24 Nov 2025 16:39:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.324199
- Title: DensifyBeforehand: LiDAR-assisted Content-aware Densification for Efficient and Quality 3D Gaussian Splatting
- Title（参考訳）: デンシフィケーション:LiDARによる高効率・高品質な3Dガウススプレイティングのためのコンテンツ認識デンシフィケーション
- Authors: Phurtivilai Patt, Leyang Huang, Yinqiang Zhang, Yang Lei,
- Abstract要約: 本稿では,Sparse LiDARデータと対応するRGB画像からの単眼深度推定を組み合わせ,既存の3次元ガウス散乱(3DGS)法の限界に対処する。
我々のROI対応サンプリング手法は意味的にも幾何学的にも重要な領域を優先し、密度の高い点雲を生成する。
本手法は,資源消費とトレーニング時間を著しく削減しつつ,最先端技術に匹敵する結果が得られる。
- 参考スコア（独自算出の注目度）: 1.5576275034099496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the limitations of existing 3D Gaussian Splatting (3DGS) methods, particularly their reliance on adaptive density control, which can lead to floating artifacts and inefficient resource usage. We propose a novel densify beforehand approach that enhances the initialization of 3D scenes by combining sparse LiDAR data with monocular depth estimation from corresponding RGB images. Our ROI-aware sampling scheme prioritizes semantically and geometrically important regions, yielding a dense point cloud that improves visual fidelity and computational efficiency. This densify beforehand approach bypasses the adaptive density control that may introduce redundant Gaussians in the original pipeline, allowing the optimization to focus on the other attributes of 3D Gaussian primitives, reducing overlap while enhancing visual quality. Our method achieves comparable results to state-of-the-art techniques while significantly lowering resource consumption and training time. We validate our approach through extensive comparisons and ablation studies on four newly collected datasets, showcasing its effectiveness in preserving regions of interest in complex scenes.
- Abstract（参考訳）: 本稿では,既存の3次元ガウス散乱(3DGS)手法の限界,特に適応密度制御への依存に対処する。
本稿では,RGB画像からの特異なLiDARデータと単眼深度推定を組み合わせることで,3次元シーンの初期化を促進する新しいデジファイド手法を提案する。
我々のROI対応サンプリング手法は意味的および幾何学的に重要な領域を優先し、視覚的忠実度と計算効率を向上させる高密度な点雲を生成する。
このデシファイドアプローチは、元のパイプラインに冗長なガウスアンを導入するような適応密度制御をバイパスし、最適化は3Dガウスプリミティブの他の属性にフォーカスでき、視覚的品質を高めながらオーバーラップを減らすことができる。
本手法は,資源消費とトレーニング時間を著しく削減しつつ,最先端技術に匹敵する結果が得られる。
提案手法は,4つの新たに収集したデータセットの広範囲な比較とアブレーション研究を通じて検証し,複雑な場面における関心領域の保存における有効性を示す。
関連論文リスト
- GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - Refining Gaussian Splatting: A Volumetric Densification Approach [0.0]
本稿では,各ガウス関数に付随する慣性量を利用して精製過程を導出する新しい密度制御法を提案する。
提案手法は3DGSを超越し,様々な場面で性能向上を実現している。
論文 参考訳（メタデータ） (2025-08-07T09:23:17Z) - UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている
本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。
提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
論文 参考訳（メタデータ） (2025-08-07T01:42:22Z) - Low-Frequency First: Eliminating Floating Artifacts in 3D Gaussian Splatting [33.688646593086816]
3D Gaussian Splatting (3DGS)は、3D再構成のための強力な表現である。
3DGSはフローティングアーティファクトをしばしば生成し、これは実際の幾何学から切り離された誤った構造である。
最適化されていないガウスを選択的に拡張し、高精度な低周波学習を優先するEFA-GSを提案する。
論文 参考訳（メタデータ） (2025-08-04T15:03:56Z) - Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-05-27T05:17:49Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - Efficient Density Control for 3D Gaussian Splatting [3.6626434111127075]
3DGSはガウス数を増やすために適応密度制御を採用している。
レンダリング品質に影響を与える過度に適合したガウシアンが存在する可能性があり、元のADCはそれらを取り除くことができない。
Long-Axis Splitは子ガウスの位置、形状、不透明度を正確に制御し、分割前後の差を最小限に抑える。
不透明度を過度に設定したガウス人にリセットした後の回復速度の差を利用するリカバリ対応プルーニング。
論文 参考訳（メタデータ） (2024-11-15T12:12:56Z) - 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。