論文の概要: Direct Object-Level Reconstruction via Probabilistic Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2603.14316v1
• Date: Sun, 15 Mar 2026 10:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.742602
• Title: Direct Object-Level Reconstruction via Probabilistic Gaussian Splatting
• Title（参考訳）: 確率的ガウススプラッティングによる直接対象レベル再構成
• Abstract要約: 2次元ガウススプラッティングに基づく効率的な1オブジェクト3D再構成法を提案する。 本手法はマスク誤差の存在下では強力な自己補正能力を示し,標準的な3DGS手法に匹敵する再現性を実現する。
• 参考スコア（独自算出の注目度）: 33.09538726349793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object-level 3D reconstruction play important roles across domains such as cultural heritage digitization, industrial manufacturing, and virtual reality. However, existing Gaussian Splatting-based approaches generally rely on full-scene reconstruction, in which substantial redundant background information is introduced, leading to increased computational and storage overhead. To address this limitation, we propose an efficient single-object 3D reconstruction method based on 2D Gaussian Splatting. By directly integrating foreground-background probability cues into Gaussian primitives and dynamically pruning low-probability Gaussians during training, the proposed method fundamentally focuses on an object of interest and improves the memory and computational efficiency. Our pipeline leverages probability masks generated by YOLO and SAM to supervise probabilistic Gaussian attributes, replacing binary masks with continuous probability values to mitigate boundary ambiguity. Additionally, we propose a dual-stage filtering strategy for training's startup to suppress background Gaussians. And, during training, rendered probability masks are conversely employed to refine supervision and enhance boundary consistency across views. Experiments conducted on the MIP-360, T&T, and NVOS datasets demonstrate that our method exhibits strong self-correction capability in the presence of mask errors and achieves reconstruction quality comparable to standard 3DGS approaches, while requiring only approximately 1/10 of their Gaussian amount. These results validate the efficiency and robustness of our method for single-object reconstruction and highlight its potential for applications requiring both high fidelity and computational efficiency.
• Abstract（参考訳）: オブジェクトレベルの3D再構成は、文化遺産のデジタル化、工業製造、バーチャルリアリティーといった分野において重要な役割を担っている。 しかし、既存のガウス・スプレイティングに基づくアプローチは一般的に、かなりの冗長な背景情報を導入し、計算とストレージのオーバーヘッドが増大するフルシーンの再構築に依存している。 この制限に対処するために,2次元ガウススプラッティングに基づく効率的な単一対象3次元再構成法を提案する。 フォアグラウンド・バックグラウンドの確率キューを直接ガウスプリミティブに統合し、トレーニング中に動的に低確率ガウスをプルーニングすることにより、提案手法は基本的に関心の対象に焦点をあて、メモリと計算効率を向上する。 我々のパイプラインは、YOLOとSAMによって生成された確率マスクを利用して確率ガウスの属性を監督し、境界あいまいさを軽減するために二乗マスクを連続確率値に置き換える。 さらに,背景ガウスを抑えるために,トレーニングスタートアップのための二段階フィルタリング手法を提案する。 そして、トレーニング中、レンダリングされた確率マスクは、監督を洗練し、ビュー間の境界整合性を高めるために逆に使用される。 MIP-360, T&T, NVOSデータセットを用いて行った実験により, マスク誤差の存在下では強い自己補正能力を示し, ガウス量の1/10しか必要とせず, 標準的な3DGS手法に匹敵する再現性が得られることが示された。 これらの結果は,本手法の単一対象再構成における効率性とロバスト性を検証し,高い忠実度と計算効率の両方を必要とするアプリケーションの可能性を強調した。

関連論文リスト

• Incremental Online Scene Reconstruction by 3D Gaussian Triangulation [22.398131643187384]
  本稿では,高忠実度メッシュを漸進的に再構築し,更新する新しいオンラインフレームワークを提案する。 また、ガウス集合からメッシュを効率的に抽出し、更新する直接メッシュアルゴリズムを提案する。 我々のフレームワークは、長時間の処理においてメモリと計算オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2026-07-12T10:22:18Z)
• Dehaze-GaussianImage: Zero-Shot Dehazing via Efficient 2D Gaussian Splatting Representation [25.472500911155347]
  Dehaze-GaussianImageは、2次元ガウススプラッティングを画像デハージング領域に導入する最初のゼロショットフレームワークである。 具体的には,大気散乱モデルをガウスパラメータ空間に埋め込んだゼロショット学習手法を提案する。 実験により, 提案手法は, 完全に教師のない方法で, 最先端(SOTA)の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2026-06-15T03:25:56Z)
• Immunizing 3D Gaussian Generative Models Against Unauthorized Fine-Tuning via Attribute-Space Traps [54.68389949880821]
  本稿では,3次元生成モデルを微調整攻撃から守るためのフレームワークであるGaussLockを提案する。 GassLockは、認可された蒸留と、位置、スケール、回転、不透明度、色をターゲットにした属性対応トラップ損失を統合する。 実験により、ガウスロックは無許可の微調整攻撃を効果的に中和することが示された。
  論文  参考訳（メタデータ） (2026-04-06T09:30:49Z)
• RobustSplat++: Decoupling Densification, Dynamics, and Illumination for In-the-Wild 3DGS [85.90134051583368]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成と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、過渡的な物体や照度の影響を受けやすいシーンを正確にモデル化するのに苦労する。 いくつか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） (2025-12-04T14:05:09Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• Hi^2-GSLoc: Dual-Hierarchical Gaussian-Specific Visual Relocalization for Remote Sensing [6.997091164331322]
  リモートセンシングやUAVアプリケーションには、視覚的再ローカライゼーションが不可欠である。 画像に基づく検索とポーズ回帰アプローチは精度に欠ける。 スパース・トゥ・デンス(sparse-to-dense)と粗粒度(arse-to-fine)のパラダイムに従う二重階層的再ローカライゼーションフレームワークである$mathrmHi2$-GSLocを紹介した。
  論文  参考訳（メタデータ） (2025-07-21T14:47:56Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• 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)
• 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)
• DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
  本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。 複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T05:49:16Z)

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。