論文の概要: EntON: Eigenentropy-Optimized Neighborhood Densification in 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.06216v1
• Date: Fri, 06 Mar 2026 12:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.691944
• Title: EntON: Eigenentropy-Optimized Neighborhood Densification in 3D Gaussian Splatting
• Title（参考訳）: エントン : 3次元ガウスめっきにおける固有エントロピー最適化近傍密度化
• Authors: Miriam Jäger, Boris Jutzi,
• Abstract要約: 3次元ガウスめっきにおける固有エントロピー最適化近傍密度化戦略(DGS)を提案する。 ビュースペース位置勾配の大きさに依存する従来の密度化戦略とは対照的に,本手法では,適応的な分割とプルーニングを導く幾何学的手法を導入している。 実験の結果,Eigenentropy-aware alternating densification は,幾何学的精度を最大33%向上し,品質を最大7%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.6364833131414095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel Eigenentropy-optimized neighboorhood densification strategy EntON in 3D Gaussian Splatting (3DGS) for geometrically accurate and high-quality rendered 3D reconstruction. While standard 3DGS produces Gaussians whose centers and surfaces are poorly aligned with the underlying object geometry, surface-focused reconstruction methods frequently sacrifice photometric accuracy. In contrast to the conventional densification strategy, which relies on the magnitude of the view-space position gradient, our approach introduces a geometry-aware strategy to guide adaptive splitting and pruning. Specifically, we compute the 3D shape feature Eigenentropy from the eigenvalues of the covariance matrix in the k-nearest neighborhood of each Gaussian center, which quantifies the local structural order. These Eigenentropy values are integrated into an alternating optimization framework: During the optimization process, the algorithm alternates between (i) standard gradient-based densification, which refines regions via view-space gradients, and (ii) Eigenentropy-aware densification, which preferentially densifies Gaussians in low-Eigenentropy (ordered, flat) neighborhoods to better capture fine geometric details on the object surface, and prunes those in high-Eigenentropy (disordered, spherical) regions. We provide quantitative and qualitative evaluations on two benchmark datasets: small-scale DTU dataset and large-scale TUM2TWIN dataset, covering man-made objects and urban scenes. Experiments demonstrate that our Eigenentropy-aware alternating densification strategy improves geometric accuracy by up to 33% and rendering quality by up to 7%, while reducing the number of Gaussians by up to 50% and training time by up to 23%. Overall, EnTON achieves a favorable balance between geometric accuracy, rendering quality and efficiency by avoiding unnecessary scene expansion.
• Abstract（参考訳）: 幾何的精度と高品質な3次元再構成のための3次元ガウススティング(3DGS)における固有エントロピー最適化近傍密度化戦略EntONを提案する。 標準の3DGSでは、中心と表面が下層の物体形状と不整合であるガウシアンを生成するが、表面に焦点を当てた再構成法は、しばしば測光精度を犠牲にしている。 ビュースペース位置勾配の大きさに依存する従来の密度化戦略とは対照的に,本手法では,適応的な分割とプルーニングを導く幾何学的手法を導入している。 具体的には,各ガウス中心のk-アネレスト近傍における共分散行列の固有値から3次元形状特徴固有エントロピーを計算し,局所構造秩序を定量化する。 これらの固有エントロピー値は、交互最適化フレームワークに統合される。 (i)表示空間勾配により地域を洗練させる標準勾配ベースデンシフィケーション 2) 固有エントロピーを意識した密度化は、低固有エントロピー(順序付き、平坦な)近傍のガウスを優先的に密度付けし、対象表面の微細な幾何学的詳細をよりよく捉え、高固有エントロピー(秩序付き、球面)領域のプルーンを特徴付ける。 そこで我々は,2つのベンチマークデータセット(小型DTUデータセットと大規模TUM2TWINデータセット,人工物と都市シーン)について定量的,定性的な評価を行った。 実験により,Eigenentropy-aware alternating densification strategyは,幾何学的精度を最大33%向上し,品質を最大7%向上させるとともに,ガウスの人数を最大50%削減し,トレーニング時間を最大23%短縮することを示した。 全体として、EnTONは不要なシーン展開を回避し、幾何学的精度、レンダリング品質、効率のバランスが良好である。

関連論文リスト

• Gaussian Set Surface Reconstruction through Per-Gaussian Optimization [9.451254271017767]
  3D Gaussian Splatting (3DGS)は、フレキシブルな表現を通して、斬新なビューを効果的に合成するが、シーン幾何学を正確に再構築することができない。 本稿では,ガウス集合表面再構成法(GSSR)を提案する。これは,ガウス集合表面を静止面に沿って均等に分配し,支配的な正規値と表面正規値とを整列させる手法である。 GSSRは画素レベルとガウスレベルの単視正規整合と多視光度整合を組み合わせることで、微細な幾何学的アライメントを強制する。
  論文  参考訳（メタデータ） (2025-07-25T03:31:47Z)
• 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)
• FeatureGS: Eigenvalue-Feature Optimization in 3D Gaussian Splatting for Geometrically Accurate and Artifact-Reduced Reconstruction [1.474723404975345]
  3Dガウシアン3DGSは3Dガウシアンを用いた3Dシーン再構築の強力なアプローチとして登場した。 本稿では,固有値由来の3次元形状特徴に基づく幾何学的損失項を3DGSの最適化プロセスに組み込む。
  論文  参考訳（メタデータ） (2025-01-29T13:40:25Z)
• AGS-Mesh: Adaptive Gaussian Splatting and Meshing with Geometric Priors for Indoor Room Reconstruction Using Smartphones [19.429461194706786]
  室内シーンの正確な3次元再構成のためのガウススメッティング法における接合面深度と正規化のアプローチを提案する。 我々のフィルタリング戦略と最適化設計は、メッシュ推定と新規ビュー合成の両方において大きな改善を示す。
  論文  参考訳（メタデータ） (2024-11-28T17:04:32Z)
• 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)
• GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
  GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。 最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。 この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
  論文  参考訳（メタデータ） (2024-10-31T17:57:07Z)
• 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)
• 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。