論文の概要: Clean-GS: Semantic Mask-Guided Pruning for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2601.00913v1
• Date: Thu, 01 Jan 2026 05:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.848355
• Title: Clean-GS: Semantic Mask-Guided Pruning for 3D Gaussian Splatting
• Title（参考訳）: 3Dガウススプラッティングのためのセマンティックマスクガイドプルーニング
• Authors: Subhankar Mishra,
• Abstract要約: スパース・セマンティック・マスクを用いて3次元GS再構成から背景クラッタとフローターを除去する手法であるClean-GSを提案する。 提案手法は,ホワイトリストに基づく空間フィルタリングとカラーガイドによる検証と外乱除去を組み合わせることで,オブジェクトの品質を保ちながら60-80%のモデル圧縮を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D Gaussian Splatting produces high-quality scene reconstructions but generates hundreds of thousands of spurious Gaussians (floaters) scattered throughout the environment. These artifacts obscure objects of interest and inflate model sizes, hindering deployment in bandwidth-constrained applications. We present Clean-GS, a method for removing background clutter and floaters from 3DGS reconstructions using sparse semantic masks. Our approach combines whitelist-based spatial filtering with color-guided validation and outlier removal to achieve 60-80\% model compression while preserving object quality. Unlike existing 3DGS pruning methods that rely on global importance metrics, Clean-GS uses semantic information from as few as 3 segmentation masks (1\% of views) to identify and remove Gaussians not belonging to the target object. Our multi-stage approach consisting of (1) whitelist filtering via projection to masked regions, (2) depth-buffered color validation, and (3) neighbor-based outlier removal isolates monuments and objects from complex outdoor scenes. Experiments on Tanks and Temples show that Clean-GS reduces file sizes from 125MB to 47MB while maintaining rendering quality, making 3DGS models practical for web deployment and AR/VR applications. Our code is available at https://github.com/smlab-niser/clean-gs
• Abstract（参考訳）: 3Dガウシアン・スプレイティングは高品質なシーンを再現するが、環境全体に何十万もの急激なガウシアン(花)が散在している。 これらのアーティファクトは興味をそそるオブジェクトを曖昧にし、モデルのサイズを拡大し、帯域幅に制約のあるアプリケーションへのデプロイを妨げる。 スパース・セマンティック・マスクを用いて3次元GS再構成から背景クラッタとフローターを除去する手法であるClean-GSを提案する。 提案手法は,ホワイトリストに基づく空間フィルタリングとカラーガイドによる検証と外乱除去を組み合わせることで,オブジェクトの品質を保ちながら60-80\%のモデル圧縮を実現する。 グローバルな重要性の指標に依存する既存の3DGSプルーニングとは異なり、Clean-GSは3つのセグメンテーションマスク(ビューの1\%)のセグメンテーション情報を使用して、ターゲットオブジェクトに属さないガウスの識別と除去を行っている。 本手法は,(1)マスク領域への投影によるホワイトリストフィルタリング,(2)深度バッファリングカラーバリデーション,(3)隣接する屋外の複雑なシーンからモニュメントやオブジェクトを分離する,多段階のアプローチである。 タンクとテンプルの実験では、Clean-GSはレンダリング品質を維持しながらファイルサイズを125MBから47MBに削減し、3DGSモデルをWebデプロイメントやAR/VRアプリケーションに実用的なものにしている。 私たちのコードはhttps://github.com/smlab-niser/clean-gsで利用可能です。

関連論文リスト

• LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation [56.4321049923868]
  3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。 ガウス表現をオブジェクトラベルで拡張する手法であるラベル対応3Dガウス分割法(LabelGS)を提案する。 LabelGSはFeature-3DGSと比較して、1440X1080の解像度でトレーニングで22倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2025-08-27T09:07:38Z)
• TRAN-D: 2D Gaussian Splatting-based Sparse-view Transparent Object Depth Reconstruction via Physics Simulation for Scene Update [11.563662673205085]
  TRAN-Dは透明物体に対する新しい2次元ガウス平板を用いた深度再構成法である。 我々は、ガウス人を不明瞭な地域に配置するオブジェクト認識損失でアーティファクトを緩和する。 物理に基づくシミュレーションを組み込んで、わずか数秒で復元を洗練します。
  論文  参考訳（メタデータ） (2025-07-15T08:02:37Z)
• LODGE: Level-of-Detail Large-Scale Gaussian Splatting with Efficient Rendering [75.67501939005119]
  メモリ制約デバイス上での3次元ガウススプラッティングのための新しいレベル・オブ・ディーテール(LOD)法を提案する。 カメラ距離に基づいてガウスの最適部分集合を反復的に選択する。 本手法は,屋外(階層型3DGS)と屋内(Zip-NeRF)の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-05-29T06:50:57Z)
• Compact 3D Gaussian Splatting for Static and Dynamic Radiance Fields [13.729716867839509]
  ハイパフォーマンスを維持しつつガウスの数を著しく削減する学習可能なマスク戦略を提案する。 さらに、格子型ニューラルネットワークを用いて、ビュー依存色をコンパクトかつ効果的に表現することを提案する。 我々の研究は、3Dシーン表現のための包括的なフレームワークを提供し、ハイパフォーマンス、高速トレーニング、コンパクト性、リアルタイムレンダリングを実現しています。
  論文  参考訳（メタデータ） (2024-08-07T14:56:34Z)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)
• Clutter Detection and Removal in 3D Scenes with View-Consistent Inpainting [10.087325516269265]
  本稿では,3次元のシーンやインペイントの粗さをコヒーレントな形状とテクスチャで除去するシステムを提案する。 ノイズの多いラベルをグループ化し、仮想レンダリングを活用し、インスタンスレベルの領域依存的な損失を課します。 ScanNetとMatterportのデータセットを用いた実験により,本手法はクラッタセグメンテーションと3Dインパインティングのベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-07T17:57:20Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)

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。