論文の概要: Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment
- arxiv url: http://arxiv.org/abs/2603.21936v1
- Date: Mon, 23 Mar 2026 12:53:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.677942
- Title: Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment
- Title（参考訳）: 幾何型特徴誘導アライメントを用いたクロスインスタンスガウス平滑化レジストレーション
- Abstract要約: 類似性変換(回転, 翻訳, スケール)により2つの独立な3次元ガウススプラッティング(3DGS)モデルを整列する新しい手法を提案する。
同じ対象の場合、GSAは、他の方法が真のスケールを与えられたとしても、しばしば大きなマージンで以前の作業より優れる。
GSAは、カテゴリレベルの3DGS登録と新しいアプリケーションのアンロックのための、最初の効果的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 13.82234579083064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Gaussian Splatting Alignment (GSA), a novel method for aligning two independent 3D Gaussian Splatting (3DGS) models via a similarity transformation (rotation, translation, and scale), even when they are of different objects in the same category (e.g., different cars). In contrast, existing methods can only align 3DGS models of the same object (e.g., the same car) and often must be given true scale as input, while we estimate it successfully. GSA leverages viewpoint-guided spherical map features to obtain robust correspondences and introduces a two-step optimization framework that aligns 3DGS models while keeping them fixed. First, we apply an iterative feature-guided absolute orientation solver as our coarse registration, which is robust to poor initialization (e.g., 180 degrees misalignment or a 10x scale gap). Next, we use a fine registration step that enforces multi-view feature consistency, inspired by inverse radiance-field formulations. The first step already achieves state-of-the-art performance, and the second further improves results. In the same-object case, GSA outperforms prior works, often by a large margin, even when the other methods are given the true scale. In the harder case of different objects in the same category, GSA vastly surpasses them, providing the first effective solution for category-level 3DGS registration and unlocking new applications. Project webpage: https://bgu-cs-vil.github.io/GSA-project/
- Abstract（参考訳）: 類似性変換(回転, 翻訳, スケール)を通じて2つの独立な3次元ガウススティング(3DGS)モデルを整列する新しい手法であるガウスススティングアライメント(GSA)を提案する。
対照的に、既存の手法では、同じオブジェクト(例えば、同じ車)の3DGSモデルしか整列できず、しばしば入力として真のスケールを与えなければならない。
GSAは、3DGSモデルを固定しながら整列する2段階の最適化フレームワークを導入する。
まず、粗い初期化(例えば180度ずれや10倍のスケールギャップ)に対して頑健な、反復的特徴誘導絶対方向解決器を粗い登録として適用する。
次に、逆放射場定式化にインスパイアされた多視点特徴整合性を実現するための詳細な登録手順を用いる。
第1ステップはすでに最先端のパフォーマンスを達成しており、第2ステップは結果をさらに改善している。
同じ対象の場合、GSAは、他の方法が真のスケールを与えられたとしても、しばしば大きなマージンで以前の作業より優れる。
同じカテゴリの異なるオブジェクトの難しい場合、GSAはそれらをはるかに超え、カテゴリレベルの3DGS登録と新しいアプリケーションのアンロックのための最初の効果的なソリューションを提供する。
プロジェクトWebページ: https://bgu-cs-vil.github.io/GSA-project/
関連論文リスト
- SCOPE: Scale-Consistent One-Pass Estimation of 3D Geometry [69.89196162649091]
SCOPE (Scale-Consistent One-Pass Estimation of 3D Geometry) は、拡張された単眼ビデオシーケンスから3次元幾何学を推定するための新しいアプローチである。
提案手法では,アフィン不変な3次元点マップを全列に共通パラメータで生成し,一貫したスケール不変表現を実現する。
論文 参考訳（メタデータ） (2026-06-19T10:23:25Z) - SGFormer++: Semantic Graph Transformer for Incremental 3D Scene Graph Generation [44.62000477544674]
3次元シーングラフ生成のためのセマンティックグラフ変換器SGFormer++を提案する。
ポイントクラウドシーンをセマンティックな構造グラフに解析し、ノードは検出されたオブジェクトインスタンスとエッジをペア関係にエンコードする。
標準設定とインクリメンタル設定の両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-06-13T14:41:56Z) - G2P: Gaussian-to-Point Attribute Alignment for Boundary-Aware 3D Semantic Segmentation [22.750868489199686]
本稿では,3次元ガウススプラッティングから点雲へ外観認識属性を移し,より識別的かつ外観に一貫性のあるセグメンテーションを行うガウス・ツー・ポイント(G2P)を提案する。
提案手法は,標準ベンチマーク上での優れた性能を実現し,幾何学的に難解なクラスにおいて,すべて2Dや言語を監督せずに大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2026-01-07T01:44:29Z) - UniC-Lift: Unified 3D Instance Segmentation via Contrastive Learning [6.502142457981839]
3D Gaussian Splatting (3DGS) と Neural Radiance Fields (NeRF) は、先進的な新規なビュー合成を行っている。
近年の手法では,多視点2Dセグメンテーションを3Dに拡張し,シーン理解を向上するインスタンス/セグメンテーションを実現している。
主な課題は、ビュー間の2Dインスタンスラベルの不整合である。
本稿では,これらのステップをマージし,トレーニング時間を短縮し,ガウスプリミティブにセグメンテーションを組み込む学習可能な機能を導入することにより,パフォーマンスを向上させる統一フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-31T10:20:01Z) - LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation [56.4321049923868]
3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。
ガウス表現をオブジェクトラベルで拡張する手法であるラベル対応3Dガウス分割法(LabelGS)を提案する。
LabelGSはFeature-3DGSと比較して、1440X1080の解像度でトレーニングで22倍のスピードアップを達成した。
論文 参考訳（メタデータ） (2025-08-27T09:07:38Z) - Rethinking End-to-End 2D to 3D Scene Segmentation in Gaussian Splatting [86.15347226865826]
We design an new end-to-end object-aware lifting approach, called Unified-Lift。
コントラスト損失を用いて学習したガウスレベルの機能を各ガウス点に拡張し、インスタンス情報をエンコードする。
LERF-Masked、Replica、Messy Roomsの3つのベンチマークで実験を行った。
論文 参考訳（メタデータ） (2025-03-18T08:42:23Z) - 3DGS-CD: 3D Gaussian Splatting-based Change Detection for Physical Object Rearrangement [2.2122801766964795]
3DGS-CDは3Dシーンにおける物体の物理的配置を検出する最初の3Dガウス散乱(3DGS)に基づく手法である。
提案手法では,異なる時間に撮影された2つの不整合画像を比較して3次元オブジェクトレベルの変化を推定する。
提案手法は,18秒以内のスパース画像を用いて,散在する環境の変化を正確に識別することができる。
論文 参考訳（メタデータ） (2024-11-06T07:08:41Z) - ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [112.40071212468843]
3D Gaussian Splatting (3DGS)は多くの視覚タスクにおいて3D表現の事実上の方法となっている。
一般的なShapeNet, ModelNet, averseを用いて3DGSの大規模データセットを構築した。
本稿では,ガウスパラメータからの表現学習の独特な利点を浮き彫りにしたガウスMAEを紹介する。
論文 参考訳（メタデータ） (2024-08-20T14:49:14Z) - SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。
SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。
提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
論文 参考訳（メタデータ） (2024-01-31T14:19:03Z) - Segment Any 3D Gaussians [85.93694310363325]
本稿では, 3次元ガウススプレイティング(3D-GS)に基づく高効率3Dプロンプト可能なセグメンテーション法であるSAGAについて述べる。
入力として2D視覚的プロンプトが与えられたとき、SAGAは対応する3Dターゲットを4ミリ秒以内に3Dガウスで表現できる。
我々は,SAGAが最先端の手法に匹敵する品質で,リアルタイムな多粒度セグメンテーションを実現することを示す。
論文 参考訳（メタデータ） (2023-12-01T17:15:24Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z)
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。