論文の概要: You Only Gaussian Once: Controllable 3D Gaussian Splatting for Ultra-Densely Sampled Scenes

• arxiv url: http://arxiv.org/abs/2604.21400v2
• Date: Fri, 24 Apr 2026 02:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 13:34:22.043419
• Title: You Only Gaussian Once: Controllable 3D Gaussian Splatting for Ultra-Densely Sampled Scenes
• Title（参考訳）: 超高精細なシーンを3Dで撮影できる「Gaussian」
• Authors: Jinrang Jia, Zhenjia Li, Yifeng Shi,
• Abstract要約: YOGOは、成長過程を決定論的で予算に配慮した均衡に再構築するシステムレベルのフレームワークである。 Immersion v1.0は「スパーシティシールド」を壊すために設計された初の超高密度屋内データセット 幻覚を促進するため、Immersion v1.0データセットの一部とYOGOのソースコードが公開された。
• 参考スコア（独自算出の注目度）: 9.89397063309918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has revolutionized neural rendering, yet existing methods remain predominantly research prototypes ill-suited for production-level deployment. We identify a critical "Industry-Academia Gap" hindering real-world application: unpredictable resource consumption from heuristic Gaussian growth, the "sparsity shield" of current benchmarks that rewards hallucination over physical fidelity, and severe multi-sensor data pollution. To bridge this gap, we propose YOGO (You Only Gaussian Once), a system-level framework that reformulates the stochastic growth process into a deterministic, budget-aware equilibrium. YOGO integrates a novel budget controller for hardware-constrained resource allocation and an availability-registration protocol for robust multi-sensor fusion. To push the boundaries of reconstruction fidelity, we introduce Immersion v1.0, the first ultra-dense indoor dataset specifically designed to break the "sparsity shield." By providing saturated viewpoint coverage, Immersion v1.0 forces algorithms to focus on extreme physical fidelity rather than viewpoint interpolation, and enables the community to focus on the upper limits of high-fidelity reconstruction. Extensive experiments demonstrate that YOGO achieves state-of-the-art visual quality while maintaining a strictly deterministic profile, establishing a new standard for production-grade 3DGS. To facilitate reproducibility, part scenes of Immersion v1.0 dataset and source code of YOGO has been publicly released. The project link is https://jjrcn.github.io/yogo-project-home/
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、ニューラルレンダリングに革命をもたらしたが、既存の手法は、プロダクションレベルのデプロイメントに不適なプロトタイプを主に研究している。 我々は、現実の応用を妨げる重要な「産業・アカデミアギャップ」、すなわち、ヒューリスティックなガウシアン成長からの予測不可能な資源消費、物理的な忠実さに対する幻覚に報いる現在のベンチマークの「スパーシティシールド」、および重度のマルチセンサーデータ汚染を識別する。 このギャップを埋めるため,我々は,確率的成長過程を決定論的・予算的均衡に再構築するシステムレベルの枠組みであるYOGO(You Only Gaussian Once)を提案する。 YOGOは、ハードウェア制約のあるリソースアロケーションのための新しい予算制御と、堅牢なマルチセンサー融合のためのアベイラビリティ登録プロトコルを統合している。 Immersion v1.0は「スパーシティシールド」を破るために設計された最初の超高密度屋内データセットである。 Immersion v1.0は、飽和した視点のカバレッジを提供することによって、視点補間よりも極端な物理的忠実度にアルゴリズムを集中させ、高忠実度再構築の上限にコミュニティが集中できるようにする。 広汎な実験により、YOGOは厳密な決定論的プロファイルを維持しつつ、最先端の視覚的品質を達成し、生産段階の3DGSの新しい標準を確立した。 再現性を促進するため、Immersion v1.0データセットとYOGOのソースコードの一部を公開している。 プロジェクトのリンクはhttps://jjrcn.github.io/yogo-project-home/です。

関連論文リスト

• Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes [7.253732091582086]
  VAD-GSは3DGSフレームワークで、挑戦的な都市景観の幾何学的復元に適したものだ。 本手法は, ボクセルに基づく可視性推論により, 信頼性の低い幾何学構造を同定する。 多様性を意識したビュー選択を通じて情報的支援ビューを選択し、パッチマッチングベースのステレオ再構築によって行方不明構造を復元する。
  論文  参考訳（メタデータ） (2025-10-10T13:22:12Z)
• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• Segmentation-Driven Initialization for Sparse-view 3D Gaussian Splatting [0.9251324073335035]
  3D Gaussian Splatting (3DGS)は、競争力のあるリアルタイムレンダリングを可能にした。 既存のパイプラインは、しばしばカメラポーズ推定にStructure-from-Motion(SfM)に依存している。 本研究では,構造的に重要な領域のみを識別・保持するために,領域ベースセグメンテーションを活用して非効率を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-15T12:31:33Z)
• SplatSSC: Decoupled Depth-Guided Gaussian Splatting for Semantic Scene Completion [31.116931865374564]
  3Dセマンティックシーンコンプリート(Semantic Scene Completion)は、1つの画像からシーンの密集した幾何学的、意味的な記述を推論することを目的とした、挑戦的で有望なタスクである。 本稿では,これらの制約を,奥行き誘導初期化戦略とガウスアグリゲータにより解決する新しいフレームワークであるSplatSSCを提案する。 提案手法は,Occ-ScanNetデータセット上での最先端性能を実現し,IoUの6.3%,mIoUの4.1%以上の先行手法より優れていた。
  論文  参考訳（メタデータ） (2025-08-04T10:09:31Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
  3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。 本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。 我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
  論文  参考訳（メタデータ） (2025-05-08T18:41:38Z)
• CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes [53.107474952492396]
  CityGaussianV2は大規模なシーン再構築のための新しいアプローチである。 分解段階の密度化・深さ回帰手法を実装し, ぼやけたアーチファクトを除去し, 収束を加速する。 本手法は, 視覚的品質, 幾何学的精度, ストレージ, トレーニングコストの両立を図っている。
  論文  参考訳（メタデータ） (2024-11-01T17:59:31Z)
• ES-Gaussian: Gaussian Splatting Mapping via Error Space-Based Gaussian Completion [9.443354889048614]
  視覚ベースのマッピングは、粗い点雲のために高品質な3D再構成に苦しむことが多い。 低高度カメラと単線LiDARを用いた高品質な3D再構成システムES-Gaussianを提案する。
  論文  参考訳（メタデータ） (2024-10-09T07:09:29Z)

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。