論文の概要: Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction

• arxiv url: http://arxiv.org/abs/2604.04874v1
• Date: Mon, 06 Apr 2026 17:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.307866
• Title: Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction
• Title（参考訳）: Free-Range Gaussian:非Grid-Aligned Generative 3D Gaussian Reconstruction
• Authors: Ahan Shabanov, Peter Hedman, Ethan Weber, Zhengqin Li, Denis Rozumny, Gael Le Lan, Naina Dhingra, Lei Luo, Andrea Vedaldi, Christian Richardt, Andrea Tagliasacchi, Bo Zhu, Numair Khan,
• Abstract要約: フリーランジガウス(Free-Range Gaussians)は、4つの画像から非画素、非ボクセル対応の3Dガウスを推定する多視点再構成法である。 再構成の生成的定式化により,非グリッド型3次元データによるモデル管理が可能となった。
• 参考スコア（独自算出の注目度）: 72.85652875805387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Free-Range Gaussians, a multi-view reconstruction method that predicts non-pixel, non-voxel-aligned 3D Gaussians from as few as four images. This is done through flow matching over Gaussian parameters. Our generative formulation of reconstruction allows the model to be supervised with non-grid-aligned 3D data, and enables it to synthesize plausible content in unobserved regions. Thus, it improves on prior methods that produce highly redundant grid-aligned Gaussians, and suffer from holes or blurry conditional means in unobserved regions. To handle the number of Gaussians needed for high-quality results, we introduce a hierarchical patching scheme to group spatially related Gaussians into joint transformer tokens, halving the sequence length while preserving structure. We further propose a timestep-weighted rendering loss during training, and photometric gradient guidance and classifier-free guidance at inference to improve fidelity. Experiments on Objaverse and Google Scanned Objects show consistent improvements over pixel and voxel-aligned methods while using significantly fewer Gaussians, with large gains when input views leave parts of the object unobserved.
• Abstract（参考訳）: 我々は,4つの画像から,非画素,非ボクセルアライメントな3Dガウスを推定する多視点再構成手法Free-Range Gaussianを提案する。 これはガウスパラメータ上のフローマッチングによって行われる。 再構成の生成的定式化により, モデルは非グリッド型3次元データで制御でき, 未観測領域の可塑性コンテンツを合成することができる。 したがって、これは、非常に冗長なグリッド整列ガウスを生成する先行手法を改善し、観測されていない地域では穴やぼやけた条件付き手段に悩まされる。 高品質な結果を得るためには,空間的関係を持つガウスを共同トランスフォーマートークンにグループ化し,構造を保ちながらシーケンス長を半減する階層的パッチ方式を導入する。 さらに、トレーニング中の時間重み付けレンダリング損失と、推論における光度勾配ガイダンスと分類器フリーガイダンスを提案し、忠実度を向上する。 ObjaverseとGoogle Scanned Objectsの実験では、ピクセルとボクセルの整列メソッドよりも一貫した改善が見られた。

関連論文リスト

• F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
  本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。 本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。 実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:03:56Z)
• ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
  3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。 近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。 本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-21T18:55:14Z)
• GaussianPainter: Painting Point Cloud into 3D Gaussians with Normal Guidance [43.97159590077809]
  本稿では,3次元ガウス空間に点雲を描画する最初の手法であるガウス空間について紹介する。 本手法は3次元ガウススプラッティングのパラメータ空間に固有の非特異性問題に対処する。
  論文  参考訳（メタデータ） (2024-12-23T16:45:37Z)
• PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
  PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。 提案手法は,様々な視点によく一般化した最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-24T17:59:58Z)
• Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
  3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。 その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。 正規化として有効ランクを導入し、ガウスの構造を制約する。
  論文  参考訳（メタデータ） (2024-06-17T15:51:59Z)
• 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。