論文の概要: 3D Gaussian Splatting with Self-Constrained Priors for High Fidelity Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2603.19682v2
• Date: Thu, 26 Mar 2026 15:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 18:28:14.966166
• Title: 3D Gaussian Splatting with Self-Constrained Priors for High Fidelity Surface Reconstruction
• Title（参考訳）: 高忠実表面再構成のための自己拘束型3次元ガウス切削法
• Authors: Takeshi Noda, Yu-Shen Liu, Zhizhong Han,
• Abstract要約: 3DGSは、レンダリング品質やスピードという点で、NeRFよりも優位性を示している。 本稿では,3次元ガウスの学習を制約するために,事前の自己制約を提案する。
• 参考スコア（独自算出の注目度）: 84.21144010415755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rendering 3D surfaces has been revolutionized within the modeling of radiance fields through either 3DGS or NeRF. Although 3DGS has shown advantages over NeRF in terms of rendering quality or speed, there is still room for improvement in recovering high fidelity surfaces through 3DGS. To resolve this issue, we propose a self-constrained prior to constrain the learning of 3D Gaussians, aiming for more accurate depth rendering. Our self-constrained prior is derived from a TSDF grid that is obtained by fusing the depth maps rendered with current 3D Gaussians. The prior measures a distance field around the estimated surface, offering a band centered at the surface for imposing more specific constraints on 3D Gaussians, such as removing Gaussians outside the band, moving Gaussians closer to the surface, and encouraging larger or smaller opacity in a geometry-aware manner. More importantly, our prior can be regularly updated by the most recent depth images which are usually more accurate and complete. In addition, the prior can also progressively narrow the band to tighten the imposed constraints. We justify our idea and report our superiority over the state-of-the-art methods in evaluations on widely used benchmarks.
• Abstract（参考訳）: 3DGSまたはNeRFによる放射場モデリングにおいて、3D表面のレンダリングが革新されている。 3DGSは、レンダリング品質や速度に関して、NeRFよりも優位性を示してきたが、3DGSを通して高忠実性表面を回復する余地は依然として残っている。 この問題を解決するために,より正確な深度レンダリングを目的とした,3次元ガウスの学習を制約する自己拘束型手法を提案する。 我々の自己拘束前は、現在の3次元ガウスで描画された深度マップを融合して得られるTSDF格子から導かれる。 前者は、推定面の周りの距離場を測り、バンドの外側のガウスを除去したり、ガウスを表面の近くに移動させたり、幾何学的に見ればより大きなあるいは小さな不透明度を奨励したりといった、より具体的な制約を3Dガウスに課すためのバンドを提供する。 さらに重要なのは、最新の深度画像によって定期的に更新されることです。 さらに、前者はバンドを徐々に狭め、強制された制約を締め付けることもできる。 我々はこの考え方を正当化し、広く使用されているベンチマークの評価において最先端の手法よりも優位性を報告する。

関連論文リスト

• Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
  本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
  論文  参考訳（メタデータ） (2024-11-19T11:59:54Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• 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。