論文の概要: GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance

• arxiv url: http://arxiv.org/abs/2604.05721v1
• Date: Tue, 07 Apr 2026 11:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.783326
• Title: GaussianGrow: Geometry-aware Gaussian Growing from 3D Point Clouds with Text Guidance
• Title（参考訳）: GaussianGrow: テキストガイダンス付き3Dポイントクラウドから成長する幾何学的ガウス
• Authors: Weiqi Zhang, Junsheng Zhou, Haotian Geng, Kanle Shi, Shenkun Xu, Yi Fang, Yu-Shen Liu,
• Abstract要約: 3D Gaussian Splattingは、レンダリング効率と品質において優れた性能を示している。 既存の手法では、ガウス原始体を推定するための幾何学的参照として点写像を予測することを検討した。 GaussianGrowは、簡単にアクセス可能な3Dポイントクラウドからガウシアンを成長させることで、3Dガウシアンを生成する新しいアプローチである。
• 参考スコア（独自算出の注目度）: 60.86483080195698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting has demonstrated superior performance in rendering efficiency and quality, yet the generation of 3D Gaussians still remains a challenge without proper geometric priors. Existing methods have explored predicting point maps as geometric references for inferring Gaussian primitives, while the unreliable estimated geometries may lead to poor generations. In this work, we introduce GaussianGrow, a novel approach that generates 3D Gaussians by learning to grow them from easily accessible 3D point clouds, naturally enforcing geometric accuracy in Gaussian generation. Specifically, we design a text-guided Gaussian growing scheme that leverages a multi-view diffusion model to synthesize consistent appearances from input point clouds for supervision. To mitigate artifacts caused by fusing neighboring views, we constrain novel views generated at non-preset camera poses identified in overlapping regions across different views. For completing the hard-to-observe regions, we propose to iteratively detect the camera pose by observing the largest un-grown regions in point clouds and inpainting them by inpainting the rendered view with a pretrained 2D diffusion model. The process continues until complete Gaussians are generated. We extensively evaluate GaussianGrow on text-guided Gaussian generation from synthetic and even real-scanned point clouds. Project Page: https://weiqi-zhang.github.io/GaussianGrow
• Abstract（参考訳）: 3D Gaussian Splattingは、レンダリング効率と品質において優れた性能を示しているが、3D Gaussianの生成は、正確な幾何学的先行性なしでは依然として課題である。 既存の手法では、ガウス原始体を推定するための幾何学的参照として点写像を予測することを検討したが、信頼できない推定測度は、貧弱な世代に繋がる可能性がある。 本研究では,ガウス点雲から3次元ガウス点雲を抽出し,自然にガウス点雲の幾何学的精度を高めることによって,3次元ガウス点群を生成する新しいアプローチであるガウスGrowを紹介する。 具体的には、多視点拡散モデルを利用して、入力点雲から一貫した外観を合成して監督するテキスト誘導型ガウス成長スキームを設計する。 隣接するビューを融合させることによって生じるアーティファクトを緩和するため、異なるビューにまたがる重なり合う領域において、非プリセットカメラのポーズで生成された新しいビューを制約する。 観測困難な領域を完遂するために, 点雲中の最大の未成長領域を観測し, 予め訓練された2次元拡散モデルで描画されたビューを塗布することにより, カメラのポーズを反復的に検出することを提案する。 この過程は、完全なガウスが生成されるまで続く。 合成および実走査点雲からのテキスト誘導ガウシアン生成において,ガウシアングローを広範囲に評価する。 Project Page: https://weiqi-zhang.github.io/GaussianGrow

関連論文リスト

• Free-Range Gaussians: Non-Grid-Aligned Generative 3D Gaussian Reconstruction [72.85652875805387]
  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。
  論文  参考訳（メタデータ） (2026-04-06T17:24:18Z)
• VolSplat: Rethinking Feed-Forward 3D Gaussian Splatting with Voxel-Aligned Prediction [45.95623374754385]
  VolSplatは新しいマルチビューフィードフォワードパラダイムで、ピクセルアライメントとボクセルアライメントのガウスを置き換えている。 これは、画素アライメントがエラーを起こしやすい2D特徴マッチングに依存していることを克服し、堅牢なマルチビュー一貫性を確保する。 RealEstate10KやScanNetなど、広く使用されているベンチマークの実験では、VolSplatが最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-09-23T17:59:02Z)
• GAP: Gaussianize Any Point Clouds with Text Guidance [29.002390913738203]
  我々は,原点雲を高忠実度3Dガウスにガウシアン化する新しい手法であるGAPを提案する。 幾何学的精度を確保するため,3次元形状の表面上にガウスを効果的に拘束する表面アンチョリング機構を導入する。 我々は,合成点雲から実世界のスキャン,さらには大規模シーンに至るまで,様々な複雑さレベルにおいて,ポイント・ツー・ガウス生成タスクにおけるGAPを評価した。
  論文  参考訳（メタデータ） (2025-08-07T17:59:27Z)
• 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)
• NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
  NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。 我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
  論文  参考訳（メタデータ） (2024-11-25T07:57:17Z)
• UniGS: Modeling Unitary 3D Gaussians for Novel View Synthesis from Sparse-view Images [20.089890859122168]
  我々は,新しい3次元ガウス再構成と新しいビュー合成モデルであるUniGSを紹介する。 UniGSは、任意の数のスパースビュー画像から3Dガウスの高忠実度表現を予測する。
  論文  参考訳（メタデータ） (2024-10-17T03:48:02Z)
• GaussianDreamerPro: Text to Manipulable 3D Gaussians with Highly Enhanced Quality [99.63429416013713]
  3D-GSは現実世界のシーンの再構築とレンダリングで大きな成功を収めた。 高いレンダリング品質を生成タスクに転送するために、テキストから3Dガウス資産を生成するための一連の研究が進められている。 生成品質を向上させるため,GaussianDreamerProという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-26T16:12:09Z)
• 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。