論文の概要: SurfelSplat: Learning Efficient and Generalizable Gaussian Surfel Representations for Sparse-View Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2604.08370v1
• Date: Thu, 09 Apr 2026 15:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.000427
• Title: SurfelSplat: Learning Efficient and Generalizable Gaussian Surfel Representations for Sparse-View Surface Reconstruction
• Title（参考訳）: SurfelSplat:スパースビュー表面再構成のための学習効率と一般化可能なガウスサーフェル表現
• Authors: Chensheng Dai, Shengjun Zhang, Min Chen, Yueqi Duan,
• Abstract要約: 3D Gaussian Splatting (3DGS) は3Dシーン再構成において顕著な性能を示した。 スパースビュー画像から効率よく一般化可能な画素アライメントを生成できるフィードフォワードフレームワークであるSurfelSplatを提案する。 我々のモデルは最先端の手法で同等の結果を得ることができ、1秒以内でガウス波を予測でき、100倍のスピードアップが可能であり、シーンごとのトレーニングに費用がかからない。
• 参考スコア（独自算出の注目度）: 30.66530885236685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has demonstrated impressive performance in 3D scene reconstruction. Beyond novel view synthesis, it shows great potential for multi-view surface reconstruction. Existing methods employ optimization-based reconstruction pipelines that achieve precise and complete surface extractions. However, these approaches typically require dense input views and high time consumption for per-scene optimization. To address these limitations, we propose SurfelSplat, a feed-forward framework that generates efficient and generalizable pixel-aligned Gaussian surfel representations from sparse-view images. We observe that conventional feed-forward structures struggle to recover accurate geometric attributes of Gaussian surfels because the spatial frequency of pixel-aligned primitives exceeds Nyquist sampling rates. Therefore, we propose a cross-view feature aggregation module based on the Nyquist sampling theorem. Specifically, we first adapt the geometric forms of Gaussian surfels with spatial sampling rate-guided low-pass filters. We then project the filtered surfels across all input views to obtain cross-view feature correlations. By processing these correlations through a specially designed feature fusion network, we can finally regress Gaussian surfels with precise geometry. Extensive experiments on DTU reconstruction benchmarks demonstrate that our model achieves comparable results with state-of-the-art methods, and predict Gaussian surfels within 1 second, offering a 100x speedup without costly per-scene training.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は3Dシーン再構成において顕著な性能を示した。 新規なビュー合成以外にも、多視点表面再構成に大きな可能性を示す。 既存の手法では、精密かつ完全な表面抽出を実現する最適化に基づく再構築パイプラインを採用している。 しかし、これらのアプローチは一般的に、シーンごとの最適化のために、密度の高い入力ビューと高い時間消費を必要とする。 これらの制約に対処するため、スパースビュー画像から効率よく一般化可能なガウス波の表現を生成するフィードフォワードフレームワークであるSurfelSplatを提案する。 従来のフィードフォワード構造では,画素配列プリミティブの空間周波数がナイキストサンプリングレートを超えるため,ガウス波の正確な幾何特性の復元に苦慮している。 そこで我々は,Nyquist サンプリング定理に基づくクロスビュー特徴集合モジュールを提案する。 具体的には,空間サンプリングレート誘導低域通過フィルタを用いてガウス波の幾何学形状を適応させる。 次に、全ての入力ビューにフィルタされたウェーブレットを投影し、クロスビュー特徴相関を求める。 これらの相関関係を特別に設計された特徴融合ネットワークで処理することで、我々は最終的に正確な幾何学でガウス波を退けることができる。 DTU再構成ベンチマークの大規模な実験により、我々のモデルは最先端の手法で同等の結果を得ることができ、ガウス波を1秒以内で予測し、100倍のスピードアップを提供する。

関連論文リスト

• Sparse2DGS: Geometry-Prioritized Gaussian Splatting for Surface Reconstruction from Sparse Views [45.125032766506536]
  完全かつ正確な再構成のためのMVS-d Gaussian Splatting PipelineであるSparse2DGSを提案する。 我々の重要な洞察は、幾何学的優先順位付けされた拡張スキームを組み込むことであり、不適切な条件下での直接的かつ堅牢な幾何学的学習を可能にする。 Sparse2DGSは、NeRFベースの微調整方式よりも2倍の速さで既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-04-29T02:47:02Z)
• GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
  スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。 我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。 いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-18T08:18:44Z)
• MVSGaussian: Fast Generalizable Gaussian Splatting Reconstruction from Multi-View Stereo [54.00987996368157]
  MVSGaussianは、Multi-View Stereo(MVS)から導かれる新しい一般化可能な3次元ガウス表現手法である。 MVSGaussianは、シーンごとにより良い合成品質でリアルタイムレンダリングを実現する。
  論文  参考訳（メタデータ） (2024-05-20T17:59:30Z)
• 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)
• GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
  我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。 提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2023-12-04T18:59:55Z)

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。