論文の概要: PDF-GS: Progressive Distractor Filtering for Robust 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2604.12580v2
• Date: Thu, 16 Apr 2026 03:28:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 16:09:14.182618
• Title: PDF-GS: Progressive Distractor Filtering for Robust 3D Gaussian Splatting
• Title（参考訳）: PDF-GS: Robust 3D Gaussian Splattingのためのプログレッシブディトラクタフィルタ
• Authors: Kangmin Seo, MinKyu Lee, Tae-Young Kim, ByeongCheol Lee, JoonSeoung An, Jae-Pil Heo,
• Abstract要約: 本稿では3DGSが持つ非一貫性信号の抑制能力を増幅するフレームワークであるPDF-GSを提案する。 PDF-GSは、堅牢で、高忠実で、邪魔のない再構築を実現し、多様なデータセットのベースラインを一貫して上回り、現実世界の状況に挑戦する。 私たちのアプローチは軽量で、既存の3DGSフレームワークにも容易に適用可能です。
• 参考スコア（独自算出の注目度）: 32.97857587591785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in 3D Gaussian Splatting (3DGS) have enabled impressive real-time photorealistic rendering. However, conventional training pipelines inherently assume full multi-view consistency among input images, which makes them sensitive to distractors that violate this assumption and cause visual artifacts. In this work, we revisit an underexplored aspect of 3DGS: its inherent ability to suppress inconsistent signals. Building on this insight, we propose PDF-GS (Progressive Distractor Filtering for Robust 3D Gaussian Splatting), a framework that amplifies this self-filtering property through a progressive multi-phase optimization. The progressive filtering phases gradually remove distractors by exploiting discrepancy cues, while the following reconstruction phase restores fine-grained, view-consistent details from the purified Gaussian representation. Through this iterative refinement, PDF-GS achieves robust, high-fidelity, and distractor-free reconstructions, consistently outperforming baselines across diverse datasets and challenging real-world conditions. Moreover, our approach is lightweight and easily adaptable to existing 3DGS frameworks, requiring no architectural changes or additional inference overhead, leading to a new state-of-the-art performance. The code is publicly available at https://github.com/kangrnin/PDF-GS.
• Abstract（参考訳）: 近年の3Dガウススプラッティング(3DGS)は、リアルタイムな光リアルレンダリングを可能にしている。 しかし、従来のトレーニングパイプラインは本質的に、入力画像間の完全なマルチビュー一貫性を前提としており、この仮定に違反し視覚的アーティファクトを引き起こす邪魔者に敏感である。 本研究では,不整合信号の抑制能力である3DGSの未解明の側面を再考する。 この知見に基づいて,プログレッシブ・マルチフェーズ最適化により自己フィルタリング特性を増幅するフレームワークであるPDF-GS(Progressive Distractor Filtering for Robust 3D Gaussian Splatting)を提案する。 プログレッシブ・フィルタリング・フェーズは、不一致の手がかりを利用して、徐々に散逸を除去する一方、以下の再構成・フェーズは、精製されたガウス表現から細粒度でビュー一貫性のある詳細を復元する。 この反復的な改良により、PDF-GSは頑丈で、高忠実で、邪魔のない再構築を実現し、多様なデータセットのベースラインを一貫して上回り、現実世界の状況に挑戦する。 さらに、当社のアプローチは軽量で、既存の3DGSフレームワークにも容易に適用可能です。 コードはhttps://github.com/kangrnin/PDF-GSで公開されている。

関連論文リスト

• DefenseSplat: Enhancing the Robustness of 3D Gaussian Splatting via Frequency-Aware Filtering [16.115612700186023]
  3D Gaussian Splatting (3DGS)は、3D画像からリアルタイム・高忠実な3D再構成を実現するための強力なパラダイムとして登場した。 近年の研究では、非知覚的かつ一貫性のない摂動がレンダリング品質を劇的に低下させるような、入力ビューにおける敵の腐敗に対する脆弱性が明らかにされている。 本稿では、低周波コンテンツを保存しながら高周波ノイズをフィルタすることで、トレーニングビューを再構築する、周波数対応型防衛戦略を提案する。
  論文  参考訳（メタデータ） (2026-02-22T20:00:02Z)
• Extreme Views: 3DGS Filter for Novel View Synthesis from Out-of-Distribution Camera Poses [3.007949058551534]
  トレーニングデータ分布の外にカメラ位置から3Dガウススプラッティング(3DGS)モデルを見る場合、かなりの視覚ノイズが発生することが一般的である。 本稿では,この問題に対処する新しいリアルタイムレンダリング対応フィルタリング手法を提案する。 提案手法は,既存のNeRF(Neural Radiance Field)ベースのアプローチと比較して,視覚的品質,リアリズム,一貫性を著しく向上する。
  論文  参考訳（メタデータ） (2025-10-22T21:09:16Z)
• DropGaussian: Structural Regularization for Sparse-view Gaussian Splatting [5.216151302783165]
  本稿では,DropGaussianと呼ばれる3次元ガウススプラッティングの簡易な変更による事前自由化手法を提案する。 具体的には、トレーニングプロセス中にランダムにガウスをドロップアウトで除去し、非除外ガウスがより大きな勾配を持つようにします。 このような単純な操作は、オーバーフィッティング問題を効果的に軽減し、新規なビュー合成の品質を高める。
  論文  参考訳（メタデータ） (2025-04-01T13:23:34Z)
• ResGS: Residual Densification of 3D Gaussian for Efficient Detail Recovery [21.259495668002796]
  そこで我々は, 残留分断法を新たに導入し, 残留分断法としてガウシアンを付加した。 我々のアプローチは、詳細を適応的に検索し、欠落した幾何学を補完することができる。
  論文  参考訳（メタデータ） (2024-12-10T13:19:27Z)
• Beyond Gaussians: Fast and High-Fidelity 3D Splatting with Linear Kernels [51.08794269211701]
  本稿では,ガウスカーネルを線形カーネルに置き換えて,よりシャープで高精度な結果を得る3Dリニアスティング(DLS)を提案する。 3DLSは、最先端の忠実さと正確さを示し、ベースライン3DGSよりも30%のFPS改善を実現している。
  論文  参考訳（メタデータ） (2024-11-19T11:59:54Z)
• 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)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)

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。