論文の概要: Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2602.20933v1
- Date: Tue, 24 Feb 2026 14:11:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-25 17:34:53.780496
- Title: Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting
- Title（参考訳）: スパースビューガウス平滑化のための落下アンカーと球高調波
- Authors: Shuangkang Fang, I-Chao Shen, Xuanyang Zhang, Zesheng Wang, Yufeng Wang, Wenrui Ding, Gang Yu, Takeo Igarashi,
- Abstract要約: 我々は,新しいアンカーベースDropout戦略であるDropAnSH-GSを提案する。
提案手法は,特定のガウスをアンカーとしてランダムに選択し,空間的近傍を同時に除去する。
我々は、高次SHをランダムに下降させ、低次SHの外観情報を集中させることにより、色属性へのドロップアウトを拡大する。
- 参考スコア（独自算出の注目度）: 31.833331215016475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent 3D Gaussian Splatting (3DGS) Dropout methods address overfitting under sparse-view conditions by randomly nullifying Gaussian opacities. However, we identify a neighbor compensation effect in these approaches: dropped Gaussians are often compensated by their neighbors, weakening the intended regularization. Moreover, these methods overlook the contribution of high-degree spherical harmonic coefficients (SH) to overfitting. To address these issues, we propose DropAnSH-GS, a novel anchor-based Dropout strategy. Rather than dropping Gaussians independently, our method randomly selects certain Gaussians as anchors and simultaneously removes their spatial neighbors. This effectively disrupts local redundancies near anchors and encourages the model to learn more robust, globally informed representations. Furthermore, we extend the Dropout to color attributes by randomly dropping higher-degree SH to concentrate appearance information in lower-degree SH. This strategy further mitigates overfitting and enables flexible post-training model compression via SH truncation. Experimental results demonstrate that DropAnSH-GS substantially outperforms existing Dropout methods with negligible computational overhead, and can be readily integrated into various 3DGS variants to enhance their performances. Project Website: https://sk-fun.fun/DropAnSH-GS
- Abstract（参考訳）: 最近の3次元ガウス散乱(3DGS)Dropout法は、ランダムにガウスの不透明度を無効化することにより、スパースビュー条件下でのオーバーフィッティングに対処する。
しかし、これらのアプローチでは近隣の補償効果が特定される: ガウスの減少は、しばしば隣人によって補償され、意図された正規化が弱まる。
さらに, これらの手法は, 高次球面調和係数 (SH) のオーバーフィッティングへの寄与を見落としている。
これらの問題に対処するために,新しいアンカーベースのDropout戦略であるDropAnSH-GSを提案する。
ガウスアンを独立に落とすのではなく、ガウスアンをアンカーとしてランダムに選択し、空間的近傍を同時に除去する。
これにより、アンカー近くの局所的な冗長性を効果的に破壊し、モデルがより堅牢でグローバルに情報伝達された表現を学ぶことを奨励する。
さらに、高次SHをランダムにドロップして、低次SHの外観情報を集中させることにより、色属性へのドロップアウトを拡大する。
この戦略はさらにオーバーフィッティングを軽減し、SHトランケーションによるフレキシブルな後トレーニングモデル圧縮を可能にする。
実験結果から,DropAnSH-GSは既存のDropout法よりも計算オーバーヘッドが小さいため,様々な3DGS変種に容易に統合して性能を向上させることができることがわかった。
プロジェクトウェブサイト:https://sk-fun.fun/DropAnSH-GS
関連論文リスト
- 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) - UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている
本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。
提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
論文 参考訳（メタデータ） (2025-08-07T01:42:22Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - DropoutGS: Dropping Out Gaussians for Better Sparse-view Rendering [45.785618745095164]
3D Gaussian Splatting (3DGS) は新規なビュー合成において有望な結果を示した。
トレーニングビューの数が減少するにつれて、新しいビュー合成タスクは、非常に過小評価された問題に格段に低下する。
オーバーフィッティングを緩和する低複雑さモデルの利点を生かしたランダムドロップアウト正規化(RDR)を提案する。
さらに、これらのモデルに高周波の詳細がないことを補うため、エッジ誘導分割戦略(ESS)を開発した。
論文 参考訳（メタデータ） (2025-04-13T09:17:21Z) - Pushing Rendering Boundaries: Hard Gaussian Splatting [72.28941128988292]
3D Gaussian Splatting (3DGS) は,NVS(Noven View Synthesis) をリアルタイムなレンダリング方式で実現した。
我々はHGSと呼ばれるハードガウシアンスプラッティングを提案し、これは多視点的な位置勾配とレンダリング誤差を考慮し、ハードガウシアンを成長させる。
本手法は,リアルタイムの効率を保ちながら,最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2024-12-06T07:42:47Z) - Spiking GS: Towards High-Accuracy and Low-Cost Surface Reconstruction via Spiking Neuron-based Gaussian Splatting [41.33048562081358]
3Dガウシアン・スプレイティングは、数分で3Dシーンを再構築することができる。
表面再構成精度の進歩にもかかわらず、再建された結果は依然としてバイアスを示し、保存とトレーニングの非効率さに悩まされている。
本稿は,低効率部品の統合に起因する非効率性の原因と復元バイアスについて,異なる観察結果を提供する。
論文 参考訳（メタデータ） (2024-10-09T01:39:26Z) - Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。
ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。
本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文 参考訳（メタデータ） (2024-08-12T16:49:22Z) - HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z)
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。