論文の概要: SA-ResGS: Self-Augmented Residual 3D Gaussian Splatting for Next Best View Selection

• arxiv url: http://arxiv.org/abs/2601.03024v1
• Date: Tue, 06 Jan 2026 13:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.960327
• Title: SA-ResGS: Self-Augmented Residual 3D Gaussian Splatting for Next Best View Selection
• Title（参考訳）: SA-ResGS: 次のベストビュー選択に自己強化された残留3Dガウススプラッティング
• Authors: Kim Jun-Seong, Tae-Hyun Oh, Eduardo Pérez-Pellitero, Youngkyoon Jang,
• Abstract要約: シーン再構築における不確実性定量化を安定化し,不確実性を考慮した監視を強化するためのフレームワークとして,自己拡張型残留3Dガウススティング(SA-ResGS)がある。 SA-ResGSは、自己拡張点雲を生成することにより、不確実性推定の信頼性と、その監視効果の両方を改善する。
• 参考スコア（独自算出の注目度）: 35.45730364938742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Self-Augmented Residual 3D Gaussian Splatting (SA-ResGS), a novel framework to stabilize uncertainty quantification and enhancing uncertainty-aware supervision in next-best-view (NBV) selection for active scene reconstruction. SA-ResGS improves both the reliability of uncertainty estimates and their effectiveness for supervision by generating Self-Augmented point clouds (SA-Points) via triangulation between a training view and a rasterized extrapolated view, enabling efficient scene coverage estimation. While improving scene coverage through physically guided view selection, SA-ResGS also addresses the challenge of under-supervised Gaussians, exacerbated by sparse and wide-baseline views, by introducing the first residual learning strategy tailored for 3D Gaussian Splatting. This targeted supervision enhances gradient flow in high-uncertainty Gaussians by combining uncertainty-driven filtering with dropout- and hard-negative-mining-inspired sampling. Our contributions are threefold: (1) a physically grounded view selection strategy that promotes efficient and uniform scene coverage; (2) an uncertainty-aware residual supervision scheme that amplifies learning signals for weakly contributing Gaussians, improving training stability and uncertainty estimation across scenes with diverse camera distributions; (3) an implicit unbiasing of uncertainty quantification as a consequence of constrained view selection and residual supervision, which together mitigate conflicting effects of wide-baseline exploration and sparse-view ambiguity in NBV planning. Experiments on active view selection demonstrate that SA-ResGS outperforms state-of-the-art baselines in both reconstruction quality and view selection robustness.
• Abstract（参考訳）: 本研究では, アクティブシーン再構築のためのNBV選択において, 不確実性定量化を安定化し, 不確実性を考慮した監視を強化するための新たなフレームワークである, 自己拡張残差3次元ガウススティング(SA-ResGS)を提案する。 SA-ResGSは、トレーニングビューとラスタ化外挿ビューの三角測量により自己拡張点雲(SA-Points)を生成することにより、不確実性推定の信頼性と監督効果の両方を改善し、効率的なシーンカバレッジ推定を可能にする。 SA-ResGSは、物理的にガイドされた視点選択を通じてシーンカバレッジを改善する一方で、3Dガウススプラッティングに適した最初の残留学習戦略を導入することで、スパースとワイドベースラインの視点によって悪化する監督下ガウスの課題にも対処している。 この目的の指導は、不確実性ガウスにおける勾配流を、不確実性によるフィルタリングとドロップアウトとハード負のマイニングインスパイアされたサンプリングを組み合わせることで促進する。 筆者らのコントリビューションは,(1)効果的で均一なシーンカバレッジを促進する物理的基盤のビュー選択戦略,(2)ガウスの弱いコントリビューションのための学習信号を増幅する不確実性を考慮した残留監視スキーム,(3)制約されたビュー選択と残留監視の結果,不確実性定量化の暗黙的な曖昧化,(3)広線探索とスパースビューの曖昧さの相違を緩和するNBV計画である。 アクティブビュー選択実験は、SA-ResGSが再現品質とビュー選択堅牢性の両方において最先端のベースラインを上回っていることを示す。

関連論文リスト

• AdLift: Lifting Adversarial Perturbations to Safeguard 3D Gaussian Splatting Assets Against Instruction-Driven Editing [109.07334219188222]
  本稿では,任意のビューや次元にまたがる命令駆動編集を防止するAdLiftと呼ばれる3DGSの最初の編集セーフガードを提案する。 我々は勾配トランケーションとイメージ・ツー・ガウスのフィッティングを交互に行い、異なる視点で一貫した対向的保護性能を得る。
  論文  参考訳（メタデータ） (2025-12-08T07:41:23Z)
• OUGS: Active View Selection via Object-aware Uncertainty Estimation in 3DGS [14.124481717283544]
  OUGSは3DGSの原則的、物理的に根拠のある不確実性定式化である。 我々の中心となる革新は、3Dガウス原始体の明示的な物理的パラメータから直接不確実性を引き出すことである。 この基盤により、セマンティックセグメンテーションマスクをシームレスに統合し、ターゲットとするオブジェクト認識の不確実性スコアを生成することができる。
  論文  参考訳（メタデータ） (2025-11-12T15:08:46Z)
• Gesplat: Robust Pose-Free 3D Reconstruction via Geometry-Guided Gaussian Splatting [21.952325954391508]
  本稿では、3DGSベースのフレームワークであるGesplatを紹介し、ロバストな新しいビュー合成と、未提示のスパース画像からの幾何的に一貫した再構成を可能にする。 提案手法は,他のポーズフリー手法と比較して,前方および大規模の複雑なデータセット上でより堅牢な性能を実現する。
  論文  参考訳（メタデータ） (2025-10-11T08:13:46Z)
• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Digging into Uncertainty in Self-supervised Multi-view Stereo [57.04768354383339]
  自己教師型学習のための新しいuncertainty reduction Multi-view Stereo(UMVS)フレームワークを提案する。 我々のフレームワークは、教師なしのMVSメソッドの中で最高のパフォーマンスを達成し、教師なしの対戦相手と競合する性能を実現している。
  論文  参考訳（メタデータ） (2021-08-30T02:53:08Z)

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。