論文の概要: Confidence-Based Mesh Extraction from 3D Gaussians

• arxiv url: http://arxiv.org/abs/2603.24725v1
• Date: Wed, 25 Mar 2026 18:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.942988
• Title: Confidence-Based Mesh Extraction from 3D Gaussians
• Title（参考訳）: 3次元ガウスからの信頼に基づくメッシュ抽出
• Authors: Lukas Radl, Felix Windisch, Andreas Kurz, Thomas Köhler, Michael Steiner, Markus Steinberger,
• Abstract要約: 本稿では,測光と幾何のバランスをとる3DGSのための自己監督型信頼フレームワークを提案する。 また, 原色ごとのペナルティ化や, 正常な分散を図り, 表面抽出の利点を示す損失も導入した。 最終的なアプローチでは、非有界メッシュに対して、高い効率を保ちながら、最先端の結果が得られます。
• 参考スコア（独自算出の注目度）: 9.322359037156811
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, 3D Gaussian Splatting (3DGS) greatly accelerated mesh extraction from posed images due to its explicit representation and fast software rasterization. While the addition of geometric losses and other priors has improved the accuracy of extracted surfaces, mesh extraction remains difficult in scenes with abundant view-dependent effects. To resolve the resulting ambiguities, prior works rely on multi-view techniques, iterative mesh extraction, or large pre-trained models, sacrificing the inherent efficiency of 3DGS. In this work, we present a simple and efficient alternative by introducing a self-supervised confidence framework to 3DGS: within this framework, learnable confidence values dynamically balance photometric and geometric supervision. Extending our confidence-driven formulation, we introduce losses which penalize per-primitive color and normal variance and demonstrate their benefits to surface extraction. Finally, we complement the above with an improved appearance model, by decoupling the individual terms of the D-SSIM loss. Our final approach delivers state-of-the-art results for unbounded meshes while remaining highly efficient.
• Abstract（参考訳）: 近年, 3D Gaussian Splatting (3DGS) はその明示的な表現と高速なソフトウェアラスタ化により, ポーズ画像からのメッシュ抽出を大幅に高速化した。 幾何学的損失やその他の先行要素が加わったことにより、抽出された表面の精度が向上したが、ビュー依存効果の豊富なシーンではメッシュ抽出が困難である。 得られた曖昧さを解決するために、先行研究はマルチビュー技術、反復メッシュ抽出、または大きな事前訓練されたモデルに依存し、3DGSの本質的な効率を犠牲にする。 本研究では,3DGSに自己監督型信頼フレームワークを導入することで,簡便かつ効率的な手法を提案する。 自信駆動型定式化を拡張し、原色ごとのペナル化と正規分散を導入し、表面抽出の利点を示す。 最後に、D-SSIM損失の個々の項を分離することにより、外観モデルの改善により上記を補完する。 最終的なアプローチでは、非有界メッシュに対して、高い効率を保ちながら、最先端の結果が得られます。

関連論文リスト

• 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)
• UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている 本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。 提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
  論文  参考訳（メタデータ） (2025-08-07T01:42:22Z)
• 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)
• 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)
• 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)

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。