論文の概要: Geometry-Grounded Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2601.17835v1
• Date: Sun, 25 Jan 2026 13:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.426353
• Title: Geometry-Grounded Gaussian Splatting
• Title（参考訳）: 幾何学を取り巻くガウススプラッティング
• Authors: Baowen Zhang, Chenxing Jiang, Heng Li, Shaojie Shen, Ping Tan,
• Abstract要約: 本稿では、ガウス原始体を特定の導出型固体として確立する理論的枠組みを提案する。 提案手法は,公開データセット上でのすべてのガウススプラッティング法において,最も優れた形状再構成結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 46.209203640694994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Splatting (GS) has demonstrated impressive quality and efficiency in novel view synthesis. However, shape extraction from Gaussian primitives remains an open problem. Due to inadequate geometry parameterization and approximation, existing shape reconstruction methods suffer from poor multi-view consistency and are sensitive to floaters. In this paper, we present a rigorous theoretical derivation that establishes Gaussian primitives as a specific type of stochastic solids. This theoretical framework provides a principled foundation for Geometry-Grounded Gaussian Splatting by enabling the direct treatment of Gaussian primitives as explicit geometric representations. Using the volumetric nature of stochastic solids, our method efficiently renders high-quality depth maps for fine-grained geometry extraction. Experiments show that our method achieves the best shape reconstruction results among all Gaussian Splatting-based methods on public datasets.
• Abstract（参考訳）: Gaussian Splatting (GS)は、新規なビュー合成において、印象的な品質と効率を実証している。 しかし、ガウス原始体からの形状抽出は未解決の問題である。 形状のパラメータ化と近似が不十分なため、既存の形状復元法は多面的整合性が悪く、フローターに敏感である。 本稿では,ガウス原始体を確率的固体の特定のタイプとして確立する厳密な理論的導出について述べる。 この理論の枠組みは、ガウス原始体を明示的な幾何学的表現として直接的に扱えるようにすることで、幾何を取り巻くガウススプラッティングの原理的基礎を提供する。 確率的固体の体積特性を用いて, 精密な幾何抽出のための高品質な深度マップを効率よく描画する。 提案手法は,公開データセット上のすべてのガウススプラッティング法において,最もよい形状復元結果が得られることを示す。

関連論文リスト

• GeoDM: Geometry-aware Distribution Matching for Dataset Distillation [5.993128231927707]
  我々はtextbfGeoDM と呼ばれる幾何学的分布マッチングフレームワークを提案する。 基礎となるデータ形状に適応するために,3種類の測地に対して学習可能な曲率と重みパラメータを導入する。 我々の理論的解析は、積空間における幾何対応分布マッチングがユークリッド空間よりも小さい一般化誤差をもたらすことを示している。
  論文  参考訳（メタデータ） (2025-12-09T07:31:57Z)
• GeoSplat: A Deep Dive into Geometry-Constrained Gaussian Splatting [29.756579835391516]
  まず,一階数と二階数の両方の幾何量を利用する一般幾何学制約最適化フレームワークGeoSplatを提案する。 次に,我々のフレームワークに動的幾何学的事前情報を提供する,効率的かつノイズロバストな推定手法を提案する。 我々は、新しいビュー合成のための複数のデータセットに関する広範な実験を行い、我々のフレームワークであるGeoSplatはガウススプラッティングの性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-09-05T13:15:37Z)
• Generalized Gradient Norm Clipping & Non-Euclidean $(L_0,L_1)$-Smoothness [51.302674884611335]
  本研究は、急勾配と条件勾配のアプローチを組み合わせることでノルムクリッピングを一般化するハイブリッド非ユークリッド最適化手法を提案する。 本稿では、ディープラーニングのためのアルゴリズムのインスタンス化について論じ、画像分類と言語モデリングにおけるそれらの特性を実証する。
  論文  参考訳（メタデータ） (2025-06-02T17:34:29Z)
• SolidGS: Consolidating Gaussian Surfel Splatting for Sparse-View Surface Reconstruction [48.228533595941556]
  この問題に対処するために,SolidGSと呼ばれる新しい手法を提案する。 再構成された幾何は多視点では非常に不整合であることがわかった。 幾何学的正規化と単分子正規化の助けを借りて,スパース面の再構成における優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-19T21:04:43Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• Local optimization on pure Gaussian state manifolds [63.76263875368856]
  ボソニックおよびフェルミオンガウス状態の幾何学に関する洞察を利用して、効率的な局所最適化アルゴリズムを開発する。 この手法は局所幾何学に適応した降下勾配の概念に基づいている。 提案手法を用いて、任意の混合ガウス状態の精製の絡み合いを計算するのにガウス浄化が十分であるという予想の数値的および解析的証拠を収集する。
  論文  参考訳（メタデータ） (2020-09-24T18:00:36Z)

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。