論文の概要: ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2602.10278v1
• Date: Tue, 10 Feb 2026 20:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.274196
• Title: ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting
• Title（参考訳）: ERGO:高忠実な単分子3Dガウス平滑化のための過度リスク誘導最適化
• Authors: Zehua Ma, Hanhui Li, Zhenyu Xie, Xiaonan Luo, Michael Kampffmeyer, Feng Gao, Xiaodan Liang,
• Abstract要約: 本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
• 参考スコア（独自算出の注目度）: 63.138778159026934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating 3D content from a single image remains a fundamentally challenging and ill-posed problem due to the inherent absence of geometric and textural information in occluded regions. While state-of-the-art generative models can synthesize auxiliary views to provide additional supervision, these views inevitably contain geometric inconsistencies and textural misalignments that propagate and amplify artifacts during 3D reconstruction. To effectively harness these imperfect supervisory signals, we propose an adaptive optimization framework guided by excess risk decomposition, termed ERGO. Specifically, ERGO decomposes the optimization losses in 3D Gaussian splatting into two components, i.e., excess risk that quantifies the suboptimality gap between current and optimal parameters, and Bayes error that models the irreducible noise inherent in synthesized views. This decomposition enables ERGO to dynamically estimate the view-specific excess risk and adaptively adjust loss weights during optimization. Furthermore, we introduce geometry-aware and texture-aware objectives that complement the excess-risk-derived weighting mechanism, establishing a synergistic global-local optimization paradigm. Consequently, ERGO demonstrates robustness against supervision noise while consistently enhancing both geometric fidelity and textural quality of the reconstructed 3D content. Extensive experiments on the Google Scanned Objects dataset and the OmniObject3D dataset demonstrate the superiority of ERGO over existing state-of-the-art methods.
• Abstract（参考訳）: 1つの画像から3Dコンテンツを生成することは、排他的領域における幾何学的およびテクスチャ的情報の欠如により、根本的な困難かつ不適切な問題である。 最先端の生成モデルは、補助的なビューを合成して、さらなる監視を提供することができるが、これらのビューには、必然的に幾何学的不整合と、3D再構成時にアーティファクトを伝播し増幅するテクスチャ的ミスアライメントが含まれている。 これらの不完全な監視信号を効果的に活用するために,ERGOと呼ばれる過度なリスク分解によって導かれる適応最適化フレームワークを提案する。 具体的には、ERGOは3Dガウススプラッティングにおける最適化損失を、電流と最適パラメータの間の最適以下のギャップを定量化する過剰リスクと、合成されたビューに固有の既約ノイズをモデル化するベイズ誤差の2つのコンポーネントに分解する。 この分解により、ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整することができる。 さらに,余剰リスクに基づく重み付け機構を補完する幾何学的およびテクスチャ的目的を導入し,相乗的グローバル局所最適化のパラダイムを確立する。 その結果、ERGOは、再構成された3Dコンテンツの幾何学的忠実度とテクスチャ品質を一貫して向上させながら、監視ノイズに対する堅牢性を示す。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットに関する大規模な実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。

関連論文リスト

• IE-SRGS: An Internal-External Knowledge Fusion Framework for High-Fidelity 3D Gaussian Splatting Super-Resolution [15.978577938074444]
  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。
  論文  参考訳（メタデータ） (2025-11-27T08:57:42Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• RobustGS: Unified Boosting of Feedforward 3D Gaussian Splatting under Low-Quality Conditions [67.48495052903534]
  本稿では,汎用的で効率的なマルチビュー機能拡張モジュールRobustGSを提案する。 各種の有害撮像条件下でのフィードフォワード3DGS法のロバスト性を大幅に向上させる。 RobustGSモジュールはプラグイン・アンド・プレイ方式で既存の事前訓練パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-05T04:50:29Z)
• Diffusion-Guided Gaussian Splatting for Large-Scale Unconstrained 3D Reconstruction and Novel View Synthesis [22.767866875051013]
  本稿では,現行手法の限界に対処する多視点拡散モデルを用いて,新しい3DGSフレームワークであるGS-Diffを提案する。 マルチビュー入力に条件付き擬似観測を生成することにより、制約の少ない3次元再構成問題をよく表されたものに変換する。 4つのベンチマークの実験では、GS-Diffは最先端のベースラインをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-04-02T17:59:46Z)
• Uncertainty-Aware Normal-Guided Gaussian Splatting for Surface Reconstruction from Sparse Image Sequences [21.120659841877508]
  3D Gaussian Splatting (3DGS)は、新規なビュー合成において印象的なレンダリング性能を達成した。 3DGSパイプライン内の幾何的不確かさを定量化するために,不確かさを意識した正規誘導型ガウス格子(UNG-GS)を提案する。 UNG-GSはスパース配列と高密度シーケンスの両方で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-03-14T08:18:12Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)

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。