論文の概要: IE-SRGS: An Internal-External Knowledge Fusion Framework for High-Fidelity 3D Gaussian Splatting Super-Resolution

• arxiv url: http://arxiv.org/abs/2511.22233v1
• Date: Thu, 27 Nov 2025 08:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.465301
• Title: IE-SRGS: An Internal-External Knowledge Fusion Framework for High-Fidelity 3D Gaussian Splatting Super-Resolution
• Title（参考訳）: IE-SRGS:高忠実度3次元ガウス平滑化超解法のための内部外部知識融合フレームワーク
• Authors: Xiang Feng, Tieshi Zhong, Shuo Chang, Weiliu Wang, Chengkai Wang, Yifei Chen, Yuhe Wang, Zhenzhong Kuang, Xuefei Yin, Yanming Zhu,
• Abstract要約: IE-SRGSは新たな3DGS SRパラダイムであり、外部2DSRと内部3DGSの機能の相補的な長所を共同で活用することでこの問題に対処する。 人工的および実世界のベンチマークの実験では、IE-SRGSは定量精度と視覚的忠実度の両方で最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 15.978577938074444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing high-resolution (HR) 3D Gaussian Splatting (3DGS) models from low-resolution (LR) inputs remains challenging due to the lack of fine-grained textures and geometry. Existing methods typically rely on pre-trained 2D super-resolution (2DSR) models to enhance textures, but suffer from 3D Gaussian ambiguity arising from cross-view inconsistencies and domain gaps inherent in 2DSR models. We propose IE-SRGS, a novel 3DGS SR paradigm that addresses this issue by jointly leveraging the complementary strengths of external 2DSR priors and internal 3DGS features. Specifically, we use 2DSR and depth estimation models to generate HR images and depth maps as external knowledge, and employ multi-scale 3DGS models to produce cross-view consistent, domain-adaptive counterparts as internal knowledge. A mask-guided fusion strategy is introduced to integrate these two sources and synergistically exploit their complementary strengths, effectively guiding the 3D Gaussian optimization toward high-fidelity reconstruction. Extensive experiments on both synthetic and real-world benchmarks show that IE-SRGS consistently outperforms state-of-the-art methods in both quantitative accuracy and visual fidelity.
• Abstract（参考訳）: 低分解能(LR)入力から高分解能(HR)3Dガウススプラッティング(3DGS)モデルを再構成することは、きめ細かいテクスチャや幾何学が欠如しているため、依然として困難である。 既存の手法は、テクスチャを強化するために訓練済みの2Dスーパーレゾリューション(2DSR)モデルに頼っているが、2DSRモデルに固有のクロスビューの不整合とドメインギャップから生じる3Dガウスの曖昧さに悩まされている。 外部2DSRと内部3DGSの機能の相補的強みを両立させることにより,この問題に対処する新しい3DGS SRパラダイムであるIE-SRGSを提案する。 具体的には、2DSRと深さ推定モデルを用いて人事画像と深度マップを外部知識として生成し、複数スケールの3DGSモデルを用いて、内部知識として相互に一貫したドメイン適応型モデルを生成する。 これら2つの情報源を統合し、相補的な強度を相乗的に活用するためにマスク誘導型融合戦略を導入し、高忠実度再構築に向けた3次元ガウス最適化を効果的に導く。 人工的および実世界のベンチマークの広範な実験により、IE-SRGSは、定量精度と視覚的忠実度の両方において、最先端の手法を一貫して上回っていることが示されている。

関連論文リスト

• 2DGS-R: Revisiting the Normal Consistency Regularization in 2D Gaussian Splatting [21.933933778984954]
  幾何学的精度を維持しつつレンダリング品質を向上させるために階層的トレーニングアプローチを用いた2DGS-Rを提案する。 従来の2DGSと比較して、我々の方法は1%のストレージと最小限のトレーニング時間しか必要としない。 これらの結果から,本手法は効率と性能のバランスを効果的に保ち,視覚的忠実度と幾何的再構成の精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-10-19T13:52:29Z)
• 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)
• GS-2DGS: Geometrically Supervised 2DGS for Reflective Object Reconstruction [51.99776072246151]
  2次元ガウス散乱(2DGS)に基づく反射物体に対するGS-2DGSと呼ばれる新しい再構成法を提案する。 合成および実データを用いた実験結果から,本手法はガウスの手法を再現・啓蒙の面で著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-06-16T05:40:16Z)
• MGSR: 2D/3D Mutual-boosted Gaussian Splatting for High-fidelity Surface Reconstruction under Various Light Conditions [6.4367384921445545]
  新しいビュー合成(NVS)と表面再構成(SR)は3次元ガウススプラッティングにおける必須課題である(3D-GS) 表示品質と3次元再構成精度を両立させる表面再構成用2D/3D多孔型ガウススプラッティングであるMGSRを提案する。 我々はMGSRをオブジェクトレベルとシーンレベルの両方において、多種多様な合成および実世界のデータセットで評価し、レンダリングおよび表面再構成において高い性能を示す。
  論文  参考訳（メタデータ） (2025-03-07T07:06:47Z)
• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)

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。