論文の概要: Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization

• arxiv url: http://arxiv.org/abs/2604.01030v1
• Date: Wed, 01 Apr 2026 15:40:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.063094
• Title: Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization
• Title（参考訳）: Diff3R:不確かさを意識した微分最適化によるフィードフォワード3Dガウス分割
• Authors: Yueh-Cheng Liu, Jozef Hladký, Matthias Nießner, Angela Dai,
• Abstract要約: Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
• 参考スコア（独自算出の注目度）: 76.38917994186733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in 3D Gaussian Splatting (3DGS) present two main directions: feed-forward models offer fast inference in sparse-view settings, while per-scene optimization yields high-quality renderings but is computationally expensive. To combine the benefits of both, we introduce Diff3R, a novel framework that explicitly bridges feed-forward prediction and test-time optimization. By incorporating a differentiable 3DGS optimization layer directly into the training loop, our network learns to predict an optimal initialization for test-time optimization rather than a conventional zero-shot result. To overcome the computational cost of backpropagating through the optimization steps, we propose computing gradients via the Implicit Function Theorem and a scalable, matrix-free PCG solver tailored for 3DGS optimization. Additionally, we incorporate a data-driven uncertainty model into the optimization process by adaptively controlling how much the parameters are allowed to change during optimization. This approach effectively mitigates overfitting in under-constrained regions and increases robustness against input outliers. Since our proposed optimization layer is model-agnostic, we show that it can be seamlessly integrated into existing feed-forward 3DGS architectures for both pose-given and pose-free methods, providing improvements for test-time optimization.
• Abstract（参考訳）: フィードフォワードモデルは、スパースビューの設定において高速な推論を提供する一方、シーンごとの最適化は高品質なレンダリングをもたらすが、計算コストがかかる。 Diff3Rは、フィードフォワード予測とテスト時間最適化を明確にブリッジする新しいフレームワークである。 トレーニングループに直接微分可能な3DGS最適化層を組み込むことで、従来のゼロショット結果ではなく、テスト時間最適化の最適初期化を予測できる。 本稿では,3DGS最適化に適した拡張性を持つ行列フリーPCGソルバとImplicit関数定理による計算勾配を提案する。 さらに,データ駆動型不確実性モデルを最適化プロセスに組み込み,最適化中にパラメータがどの程度変更できるかを適応的に制御する。 このアプローチは、制約の少ない領域における過度な適合を効果的に軽減し、入力外接点に対する堅牢性を高める。 提案する最適化層はモデルに依存しないため,ポーズギブンとポーズフリーの両方で既存のフィードフォワード3DGSアーキテクチャにシームレスに統合でき,テスト時間最適化の改善が期待できる。

関連論文リスト

• Faster-GS: Analyzing and Improving Gaussian Splatting Optimization [1.2949520455740091]
  我々は,従来の3DGS研究から最も効果的で広く適用可能な戦略を統合し,評価する。 Faster-GSは、包括的なベンチマークスイートで評価する、厳格に最適化されたアルゴリズムを提供します。 我々の実験では、Faster-GSは視覚的品質を維持しながら、最大5ドル以上のトレーニングを達成できることを示した。
  論文  参考訳（メタデータ） (2026-02-10T17:22:59Z)
• A Step to Decouple Optimization in 3DGS [38.797134528503015]
  3次元ガウススプラッティング(3DGS)は、リアルタイムな新規なビュー合成のための強力な技術として登場した。 本稿では,プロセスをSparse Adam, Re-State Regularization, Decoupled Attribute Regularizationに分割する。
  論文  参考訳（メタデータ） (2026-01-23T13:34:39Z)
• Opt3DGS: Optimizing 3D Gaussian Splatting with Adaptive Exploration and Curvature-Aware Exploitation [10.150288678666001]
  3D Splatting (3DGS) は、新しいビュー合成のための主要なフレームワークとして登場したが、その中核となる最適化課題は未解決のままである。 我々は,3DGS最適化における2つの重要な課題を,最適部分最適化における包摂と,収束品質の不十分さの2つに同定した。 2段階最適化プロセスを通じて3DGSを強化する頑健なフレームワークであるOps3DGSを提案する。
  論文  参考訳（メタデータ） (2025-11-17T16:37:33Z)
• DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds [71.37326848614133]
  3DGSの最適化複雑性に関するスケジューリング手法であるDashGaussianを提案する。 提案手法は, 各種3DGSバックボーンの最適化を平均45.7%高速化する。
  論文  参考訳（メタデータ） (2025-03-24T07:17:27Z)
• Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
  1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。 また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
  論文  参考訳（メタデータ） (2021-04-30T08:50:24Z)
• A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
  ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。 我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-11T06:50:35Z)

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。