論文の概要: DualSplat: Robust 3D Gaussian Splatting via Pseudo-Mask Bootstrapping from Reconstruction Failures

• arxiv url: http://arxiv.org/abs/2604.21631v1
• Date: Thu, 23 Apr 2026 12:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.501686
• Title: DualSplat: Robust 3D Gaussian Splatting via Pseudo-Mask Bootstrapping from Reconstruction Failures
• Title（参考訳）: DualSplat: Pseudo-Mask Bootstrappingによるロバスト3Dガウススティング
• Authors: Xu Wang, Zhiru Wang, Shiyun Xie, Chengwei Pan, Yisong Chen,
• Abstract要約: 3D Gaussian Splatting (3DGS) はリアルタイムレンダリングを実現するが、トレーニング画像が過渡物体を含む場合、その性能は著しく低下する。 正確な過渡検出にはよく再構成された静的なシーンが必要であり、クリーンな再構築自体は信頼できる過渡マスクに依存している。 この課題に対処するDualSplatは、第1パスの再構築障害を第2の再構築ステージの明示的な事前処理に変換する、フェール・ツー・プリアーのフレームワークである。
• 参考スコア（独自算出の注目度）: 11.192603832832212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While 3D Gaussian Splatting (3DGS) achieves real-time photorealistic rendering, its performance degrades significantly when training images contain transient objects that violate multi-view consistency. Existing methods face a circular dependency: accurate transient detection requires a well-reconstructed static scene, while clean reconstruction itself depends on reliable transient masks. We address this challenge with DualSplat, a Failure-to-Prior framework that converts first-pass reconstruction failures into explicit priors for a second reconstruction stage. We observe that transients, which appear in only a subset of views, often manifest as incomplete fragments during conservative initial training. We exploit these failures to construct object-level pseudo-masks by combining photometric residuals, feature mismatches, and SAM2 instance boundaries. These pseudo-masks then guide a clean second-pass 3DGS optimization, while a lightweight MLP refines them online by gradually shifting from prior supervision to self-consistency. Experiments on RobustNeRF and NeRF On-the-go show that DualSplat outperforms existing baselines, demonstrating particularly clear advantages in transient-heavy scenes and transient regions.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) はリアルタイムなフォトリアリスティックレンダリングを実現するが、トレーニング画像がマルチビュー一貫性に反する過渡的オブジェクトを含む場合、その性能は著しく低下する。 正確な過渡検出にはよく再構成された静的なシーンが必要であるが、クリーンな再構築自体は信頼できる過渡マスクに依存している。 この課題に対処するDualSplatは、第1パスの再構築障害を第2の再構築ステージの明示的な事前処理に変換する、フェール・ツー・プリアーのフレームワークである。 見方のサブセットにのみ現れる過渡期は、保守的な初期訓練中にしばしば不完全な断片として現れる。 我々はこれらの失敗を利用して、光度残差、特徴ミスマッチ、SAM2インスタンス境界を組み合わせることによって、オブジェクトレベルの擬似マスクを構築する。 これらの擬似マスクはクリーンな第2パスの3DGS最適化を導く一方、軽量のMLPは、事前の監督から自己整合性へと徐々にシフトすることによって、それらをオンラインで洗練する。 RobustNeRFとNeRF On-the-goの実験では、DualSplatは既存のベースラインよりも優れており、過渡的なシーンと過渡的な領域において特に顕著な利点を示している。

関連論文リスト

• Dehaze-then-Splat: Generative Dehazing with Physics-Informed 3D Gaussian Splatting for Smoke-Free Novel View Synthesis [1.8997372468370612]
  我々は,NTIRE 2026 3Dレコンストラクションチャレンジのトラック2で開発されたマルチビュー煙除去と新しいビュー合成のための2段階パイプラインであるDehaze-then-Splatを提案する。 第1段階では,Nano Banana Pro を用いたフレーム毎生成脱ハージングによる擬似クリーントレーニング画像を作成し,続いて輝度正規化を行った。 第2段階では,物理インフォームドされた補助損失を伴って3次元ガウススプラッティングを訓練する。
  論文  参考訳（メタデータ） (2026-04-15T07:52:53Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
  映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。 我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:45:24Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)

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。