論文の概要: GIFSplat: Generative Prior-Guided Iterative Feed-Forward 3D Gaussian Splatting from Sparse Views

• arxiv url: http://arxiv.org/abs/2602.22571v1
• Date: Thu, 26 Feb 2026 03:25:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.506167
• Title: GIFSplat: Generative Prior-Guided Iterative Feed-Forward 3D Gaussian Splatting from Sparse Views
• Title（参考訳）: GIFSplat:スパークビューからのフィードフォワード3Dガウス撮影
• Abstract要約: GIFSplatは、純粋なフィードフォワード・イテレーティブ・リファインメント・フレームワークで、3Dガウシアン・リファインティングをスパース・アンポーズ・ビューから行う。 DL3DV、RealEstate10K、DTUで、最先端のフィードフォワードベースラインを一貫して上回る。 カメラのポーズやテスト時間勾配の最適化を必要とせずに、第2スケールの推論時間を維持する。
• 参考スコア（独自算出の注目度）: 44.787835922271135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward 3D reconstruction offers substantial runtime advantages over per-scene optimization, which remains slow at inference and often fragile under sparse views. However, existing feed-forward methods still have potential for further performance gains, especially for out-of-domain data, and struggle to retain second-level inference time once a generative prior is introduced. These limitations stem from the one-shot prediction paradigm in existing feed-forward pipeline: models are strictly bounded by capacity, lack inference-time refinement, and are ill-suited for continuously injecting generative priors. We introduce GIFSplat, a purely feed-forward iterative refinement framework for 3D Gaussian Splatting from sparse unposed views. A small number of forward-only residual updates progressively refine current 3D scene using rendering evidence, achieve favorable balance between efficiency and quality. Furthermore, we distill a frozen diffusion prior into Gaussian-level cues from enhanced novel renderings without gradient backpropagation or ever-increasing view-set expansion, thereby enabling per-scene adaptation with generative prior while preserving feed-forward efficiency. Across DL3DV, RealEstate10K, and DTU, GIFSplat consistently outperforms state-of-the-art feed-forward baselines, improving PSNR by up to +2.1 dB, and it maintains second-scale inference time without requiring camera poses or any test-time gradient optimization.
• Abstract（参考訳）: フィードフォワード(Feed-forward)3D再構成は、推論が遅いままで、スパースビュー下では壊れやすい、シーンごとの最適化よりも、実行時の大きなアドバンテージを提供する。 しかし、既存のフィードフォワード法は、特にドメイン外のデータにおいて、さらなるパフォーマンス向上の可能性を秘めている。 これらの制限は、既存のフィードフォワードパイプラインにおけるワンショット予測パラダイムに起因している。 GIFSplat(GIFSplat)は、3Dガウススプラッティングのための純粋にフィードフォワードの反復的改良フレームワークである。 少数のフォワードオンリーの残差更新は、レンダリングエビデンスを使用して、現在の3Dシーンを徐々に洗練し、効率と品質の良好なバランスを得る。 さらに, 傾斜バックプロパゲーションや常に増大するビューセット展開を伴わない改良された新規レンダリングからガウス級キューへの凍結拡散を蒸留することにより, フィードフォワード効率を保ちつつ, 生成前のシーンごとの適応を可能にする。 DL3DV、RealEstate10K、DTU全体では、GIFSplatは最新式のフィードフォワードベースラインを一貫して上回り、PSNRを+2.1dBまで改善し、カメラのポーズやテスト時間勾配の最適化を必要とせずに第2スケールの推論時間を維持する。

関連論文リスト

• Fast and Compact 3D Gaussian Splatting with Polarized Opacity Prior [33.143169558717105]
  3D Gaussian Splatting (3DGS)はリアルタイムなレンダリング品質を実現するが、"モデル肥大"に悩まされる この非効率性は、標準的な"densify-then-prune"パラダイムに由来する。 本稿では,本質的にコンパクトな表現を構築するための効率的なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-23T10:21:30Z)
• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• From Uncertainty to Stability and Fidelity: Guiding Sparse-View 3D Gaussian Splatting with Fisher Information [55.09838774957981]
  3D Gaussian Splatting (3DGS) は新規な視点合成のための有望な技術として登場している。 スパースビューのシナリオでは、3DGSは過度に適合する傾向があり、顕著なアーティファクトとレンダリング品質が低下する。 本稿では,幾何的事前利用と正規化を定量的に導くために,フィッシャー情報を利用したスパースビュー3DGSを提案する。
  論文  参考訳（メタデータ） (2026-06-18T18:27:17Z)
• REFINE: Super-efficient 3D Gaussian Splatting Pruning via Rendering-Free Primitive Importance [58.94345609736356]
  REFINEは、新しいレンダリングフリープリミティブ・プライマリ・プライマリ・メトリックを中心に、高度に高速化された3DGSプルーニング・フレームワークである。 複数のベンチマークデータセットに対する実験は、REFINEが非常に競争力のあるレンダリング品質を維持していることを示している。
  論文  参考訳（メタデータ） (2026-06-08T06:16:38Z)
• ForeSplat: Optimization-Aware Foresight for Feed-Forward 3D Gaussian Splatting [65.02700555625749]
  ForeSplatはフィードフォワード3DGSモデルのための最適化対応のトレーニングフレームワークである。 ForeSplatはフィードフォワードモデルのキャパシティ圧力を大幅に低減する。 償却予測とシーンごとの最適化のギャップを埋める。
  論文  参考訳（メタデータ） (2026-05-21T05:38:47Z)
• NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting [41.21645092733966]
  本稿では,多視点不整合な2次元特徴を持ち上げることで生成されるノイズの多い3次元セマンティックフィールドを改良するニューラル正規化手法を提案する。 実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-24T10:57:05Z)
• DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction [42.4365911571903]
  本稿では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。 コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。 実験では、DiffNRはPSNRを平均3.99dB改善し、ドメイン間でよく一般化し、効率的な最適化を維持している。
  論文  参考訳（メタデータ） (2026-04-23T10:27:54Z)
• AdvSplat: Adversarial Attacks on Feed-Forward Gaussian Splatting Models [16.115612700186023]
  3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3D再構成のための強力なパラダイムとしてますます認識されている。 最近出現したフィードフォワード3DGSモデルは、大規模な事前訓練後の入力ビューからの高速な再構築を可能にすることで、これらの制限に対処している。 フィードフォワード3DGSに対する敵攻撃に関する最初の体系的研究であるAdvSplatを紹介する。
  論文  参考訳（メタデータ） (2026-03-24T19:48:23Z)
• EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images [39.67757218876105]
  EcoSplatはフィードフォワード3DGSフレームワークで、任意のターゲットプリミティブカウントの3D表現を推論時に適応的に予測する。 EcoSplatは、厳密なプリミティブな制約の下で、堅牢で最先端のメソッドよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-21T11:12:48Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって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） (2025-05-27T05:17:49Z)
• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• FreeSplat++: Generalizable 3D Gaussian Splatting for Efficient Indoor Scene Reconstruction [50.534213038479926]
  FreeSplat++は大規模な屋内全シーン再構築の代替手法である。 深度調整による微調整により,再現精度が大幅に向上し,トレーニング時間も大幅に短縮された。
  論文  参考訳（メタデータ） (2025-03-29T06:22:08Z)
• How to Use Diffusion Priors under Sparse Views? [29.738350228085928]
  Inline Prior Guided Score Matching is proposed to provide visual supervision over sparse view in 3D reconstruction。 提案手法は,最先端の復元品質を実現する。
  論文  参考訳（メタデータ） (2024-12-03T07:31:54Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Learn to Optimize Denoising Scores for 3D Generation: A Unified and Improved Diffusion Prior on NeRF and 3D Gaussian Splatting [60.393072253444934]
  本稿では,3次元生成タスクの拡散先行性向上を目的とした統合フレームワークを提案する。 拡散先行と拡散モデルの訓練手順の相違を同定し、3次元生成の質を著しく損なう。
  論文  参考訳（メタデータ） (2023-12-08T03:55:34Z)
• Distribution-Aware Single-Stage Models for Multi-Person 3D Pose Estimation [29.430404703883084]
  本稿では,多人数の3Dポーズ推定問題に対処する新しいDASモデルを提案する。 提案するDASモデルでは,3次元カメラ空間における人物位置と人体関節をワンパスで同時に位置決めする。 CMU Panoptic と MuPoTS-3D のベンチマークに関する総合的な実験は、提案したDASモデルの優れた効率を実証している。
  論文  参考訳（メタデータ） (2022-03-15T07:30:27Z)

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。