論文の概要: HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views
- arxiv url: http://arxiv.org/abs/2603.01099v2
- Date: Tue, 03 Mar 2026 08:17:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 14:54:12.551203
- Title: HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views
- Title（参考訳）: HeroGS:ロバストな3Dガウシアン・スプレイティングのための階層的ガイダンス
- Authors: Jiashu Li, Xumeng Han, Zhaoyang Wei, Zipeng Wang, Kuiran Wang, Guorong Li, Zhenjun Han, Jianbin Jiao,
- Abstract要約: 画像,特徴,パラメータレベルをまたいだ階層的ガイダンスを確立する統一的なフレームワークであるHeroGSを提案する。
我々は,HeroGSが高忠実度再構築を実現し,スパースビュー条件下での最先端のベースラインを一貫して超えることを示す。
- 参考スコア（独自算出の注目度）: 33.41171755717418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3DGS) has recently emerged as a promising approach in novel view synthesis, combining photorealistic rendering with real-time efficiency. However, its success heavily relies on dense camera coverage; under sparse-view conditions, insufficient supervision leads to irregular Gaussian distributions, characterized by globally sparse coverage, blurred background, and distorted high-frequency areas. To address this, we propose HeroGS, Hierarchical Guidance for Robust 3D Gaussian Splatting, a unified framework that establishes hierarchical guidance across the image, feature, and parameter levels. At the image level, sparse supervision is converted into pseudo-dense guidance, globally regularizing the Gaussian distributions and forming a consistent foundation for subsequent optimization. Building upon this, Feature-Adaptive Densification and Pruning (FADP) at the feature level leverages low-level features to refine high-frequency details and adaptively densifies Gaussians in background regions. The optimized distributions then support Co-Pruned Geometry Consistency (CPG) at parameter level, which guides geometric consistency through parameter freezing and co-pruning, effectively removing inconsistent splats. The hierarchical guidance strategy effectively constrains and optimizes the overall Gaussian distributions, thereby enhancing both structural fidelity and rendering quality. Extensive experiments demonstrate that HeroGS achieves high-fidelity reconstructions and consistently surpasses state-of-the-art baselines under sparse-view conditions.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、近ごろ、フォトリアリスティックレンダリングとリアルタイム効率を組み合わせた、新しいビュー合成における有望なアプローチとして登場した。
しかし、その成功は密集したカメラのカバレッジに大きく依存しており、スパース・ビューの条件下では、監督の不十分さがガウス分布の不規則さを招き、世界規模でのカバー範囲が狭く、背景がぼやけたり、高周波領域が歪んだりするのが特徴である。
そこで我々はHeroGS, Hierarchical Guidance for Robust 3D Gaussian Splattingを提案する。
画像レベルでは、スパース監視は擬似密度誘導に変換され、ガウス分布をグローバルに正規化し、その後の最適化のための一貫した基盤を形成する。
これに基づいて、機能レベルにおける特徴適応型デンシフィケーション・プルーニング(FADP)は、低レベルの特徴を活用して高周波の詳細を洗練し、背景領域のガウスを適応的に密度化する。
最適化された分布はパラメータレベルでのCo-Pruned Geometry Consistency (CPG)をサポートし、パラメータの凍結とコプルーニングを通じて幾何的一貫性を誘導し、一貫性のないスプラットを効果的に除去する。
階層的ガイダンス戦略はガウス分布全体を効果的に制約し最適化し、構造的忠実度とレンダリング品質の両方を向上する。
大規模な実験により、HeroGSは高忠実度再構築を実現し、スパースビュー条件下での最先端のベースラインを一貫して超えることを示した。
関連論文リスト
- ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
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。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - 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) - Accurate and Complete Surface Reconstruction from 3D Gaussians via Direct SDF Learning [5.604709769018076]
3D Gaussian Splatting (3DGS) はフォトリアリスティック・ビュー・シンセサイザーの強力なパラダイムとして登場した。
3DGSパイプラインに直接サインドディスタンスフィールド(Signed Distance Field, SDF)学習を組み込む統合フレームワークであるDiGSを提案する。
DiGSは高い忠実度を維持しつつ,復元精度と完全性を常に向上することを示す。
論文 参考訳（メタデータ） (2025-09-09T08:17:46Z) - GDGS: 3D Gaussian Splatting Via Geometry-Guided Initialization And Dynamic Density Control [6.91367883100748]
Gaussian Splattingは、リアルタイムのパフォーマンスをサポートしながら、リアルな画像をレンダリングする代替手段である。
本稿では,初期化,最適化,密度制御における課題に対処するため,3次元ガウス分割法(3DGS)citeKerbl2023を提案する。
提案手法は,高忠実度画像をリアルタイムにレンダリングすることで,最先端の手法に匹敵する,あるいは優れた結果を示す。
論文 参考訳（メタデータ） (2025-07-01T01:29:31Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。
4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。
その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
論文 参考訳（メタデータ） (2025-04-08T07:15:58Z) - 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) - GP-GS: Gaussian Processes for Enhanced Gaussian Splatting [15.263608848427136]
本稿では,新しい3次元再構成フレームワークであるGaussian Processes enhanced Gaussian Splatting (GP-GS)を提案する。
GP-GSはスパース構造-運動点雲の適応的および不確実性誘導密度化を可能にする。
合成および実世界のデータセットで行った実験は、提案フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2025-02-04T12:50:16Z) - GBR: Generative Bundle Refinement for High-fidelity Gaussian Splatting with Enhanced Mesh Reconstruction [27.747748706297497]
GBR(Generative Bundle Refinement)は、4-6の入力ビューのみを用いた高忠実なガウススプラッティングとメッシュ化のための手法である。
GBRは、幾何学的精度を高めるために神経束調整モジュールと、幾何学的忠実性を改善するために生成深度改善モジュールを統合している。
GBRは、大規模な現実世界のシーンを再構築し、レンダリングする能力を示している。
論文 参考訳（メタデータ） (2024-12-08T12:00:25Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - 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) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z) - 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)
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。