論文の概要: Proxy-Free Gaussian Splats Deformation with Splat-Based Surface Estimation

• arxiv url: http://arxiv.org/abs/2511.19542v1
• Date: Mon, 24 Nov 2025 10:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.08589
• Title: Proxy-Free Gaussian Splats Deformation with Splat-Based Surface Estimation
• Title（参考訳）: 格子面推定によるプロキシフリーガウス平板の変形
• Authors: Jaeyeong Kim, Seungwoo Yoo, Minhyuk Sung,
• Abstract要約: 本研究では,新しい表面対応スプレートグラフから計算したラプラシアン演算子に基づいて,ガウススプレート(GS)のプロキシフリー変形法であるSpLapを紹介する。 本研究では,プロキシベースのベースラインとプロキシフリーベースラインの両方と比較して,提案手法の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 25.57663613828463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce SpLap, a proxy-free deformation method for Gaussian splats (GS) based on a Laplacian operator computed from our novel surface-aware splat graph. Existing approaches to GS deformation typically rely on deformation proxies such as cages or meshes, but they suffer from dependency on proxy quality and additional computational overhead. An alternative is to directly apply Laplacian-based deformation techniques by treating splats as point clouds. However, this often fail to properly capture surface information due to lack of explicit structure. To address this, we propose a novel method that constructs a surface-aware splat graph, enabling the Laplacian operator derived from it to support more plausible deformations that preserve details and topology. Our key idea is to leverage the spatial arrangement encoded in splats, defining neighboring splats not merely by the distance between their centers, but by their intersections. Furthermore, we introduce a Gaussian kernel adaptation technique that preserves surface structure under deformation, thereby improving rendering quality after deformation. In our experiments, we demonstrate the superior performance of our method compared to both proxy-based and proxy-free baselines, evaluated on 50 challenging objects from the ShapeNet, Objaverse, and Sketchfab datasets, as well as the NeRF-Synthetic dataset. Code is available at https://github.com/kjae0/SpLap.
• Abstract（参考訳）: 本研究では,新しい表面対応スプレートグラフから計算したラプラシアン演算子に基づいて,ガウススプレート(GS)のプロキシフリー変形法であるSpLapを紹介する。 既存のGSの変形に対するアプローチは、典型的にはケージやメッシュのような変形プロキシに依存しているが、それらはプロキシ品質への依存と計算オーバーヘッドの増大に悩まされている。 別の方法は、スプレートを点雲として扱うことで、ラプラシアンベースの変形技術を直接適用することである。 しかし、これは明示的な構造が欠如しているため、しばしば表面情報を適切に捕捉することができない。 そこで本稿では, 表面対応スプレートグラフを構成する新しい手法を提案し, そこから導かれたラプラシアン作用素により, 詳細やトポロジーを保存可能な, より可塑性な変形をサポートできるようにする。 我々のキーとなる考え方は、スプレートに符号化された空間配置を活用して、その中心間の距離だけでなく、その交差点によって近隣のスプレートを定義することである。 さらに、変形中の表面構造を保存し、変形後のレンダリング品質を向上させるガウスカーネル適応技術を導入する。 本研究では,ShapeNet,Objaverse,Sketchfabの50個の課題オブジェクトとNeRF合成データセットを用いて,プロキシベースベースラインとプロキシフリーベースラインを比較した。 コードはhttps://github.com/kjae0/SpLap.comで入手できる。

関連論文リスト

• Preconditioned Deformation Grids [41.79220966392968]
  非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。 提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-22T17:59:55Z)
• Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
  疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。 本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。 合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-31T02:27:02Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
  ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。 我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。 提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
  論文  参考訳（メタデータ） (2024-02-07T12:36:54Z)
• Explicit Neural Surfaces: Learning Continuous Geometry With Deformation Fields [33.38609930708073]
  本稿では、既知の基底領域からの変形場と位相をエンコードする効率的な滑らかな表面表現であるExplicit Neural Surfaces (ENS)を紹介する。 暗黙の面と比較して、ENSは高速で、数桁の速度で推論を行うことができる。
  論文  参考訳（メタデータ） (2023-06-05T15:24:33Z)
• Learning Self-Prior for Mesh Inpainting Using Self-Supervised Graph Convolutional Networks [4.424836140281846]
  入力として不完全なメッシュのみを必要とする自己優先型のメッシュインペイントフレームワークを提案する。 本手法は塗装工程を通して多角形メッシュフォーマットを維持している。 提案手法は従来のデータセットに依存しない手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T02:51:38Z)
• HSurf-Net: Normal Estimation for 3D Point Clouds by Learning Hyper Surfaces [54.77683371400133]
  本稿では,ノイズと密度の変動のある点群から正規性を正確に予測できるHSurf-Netという新しい正規推定手法を提案する。 実験結果から, HSurf-Netは, 合成形状データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-10-13T16:39:53Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。