論文の概要: NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2604.22439v1
- Date: Fri, 24 Apr 2026 10:57:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.432618
- Title: NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting
- Title（参考訳）: NRGS:ロバストな3次元ガウススプラッティングのためのニューラル正規化
- Authors: Zaiyan Yang, Xinpeng Liu, Heng Guo, Jinglei Shi, Zhanyu Ma, Fumio Okura,
- Abstract要約: 本稿では,多視点不整合な2次元特徴を持ち上げることで生成されるノイズの多い3次元セマンティックフィールドを改良するニューラル正規化手法を提案する。
実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
- 参考スコア（独自算出の注目度）: 41.21645092733966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a neural regularization method that refines the noisy 3D semantic field produced by lifting multi-view inconsistent 2D features, in order to obtain an accurate and robust 3D semantic Gaussian Splatting. The 2D features extracted from vision foundation models suffer from multi-view inconsistency due to a lack of cross-view constraints. Lifting these inconsistent features directly into 3D Gaussians results in a noisy semantic field, which degrades the performance of downstream tasks. Previous methods either focus on obtaining consistent multi-view features in the preprocessing stage or aim to mitigate noise through improved optimization strategies, often at the cost of increased preprocessing time or expensive computational overhead. In contrast, we introduce a variance-aware conditional MLP that operates directly on the 3D Gaussians, leveraging their geometric and appearance attributes to correct semantic errors in 3D space. Experiments on different datasets show that our method enhances the accuracy of lifted semantics, providing an efficient and effective approach to robust 3D semantic Gaussian Splatting.
- Abstract（参考訳）: 本稿では,多視点不整合な2次元特徴を持ち上げることで生成するノイズの多い3次元セマンティックフィールドを改良し,高精度でロバストな3次元セマンティック・ガウス・スプラッティングを実現するニューラル正規化手法を提案する。
視覚基礎モデルから抽出された2次元特徴は、クロスビュー制約の欠如により、多視点不整合に悩まされる。
これらの矛盾しない機能を3Dガウスアンに直接リフティングすると、ノイズの多いセマンティックフィールドが発生し、下流タスクのパフォーマンスが低下する。
従来の手法では、前処理の段階で一貫したマルチビュー機能を得るか、最適化戦略の改善によるノイズの軽減を目標としていた。
対照的に,3次元ガウス空間上で直接動作する分散対応条件付きMLPを導入し,その幾何学的特徴と外観的属性を利用して3次元空間における意味的誤りを補正する。
異なるデータセットを用いた実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
関連論文リスト
- Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - ITS3D: Inference-Time Scaling for Text-Guided 3D Diffusion Models [88.04431808574581]
ITS3Dは、最も効果的なガウス雑音入力を特定するための最適化問題としてタスクを定式化するフレームワークである。
安定性, 効率, 探索能力を向上させるための3つの技術を紹介する。
実験により、ITS3Dはテキストから3D生成の品質を向上させることが示された。
論文 参考訳（メタデータ） (2025-11-27T13:46:16Z) - UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている
本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。
提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
論文 参考訳（メタデータ） (2025-08-07T01:42:22Z) - 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) - CLIP-GS: CLIP-Informed Gaussian Splatting for View-Consistent 3D Indoor Semantic Understanding [17.440124130814166]
室内シーンのオープンな3Dセマンティック理解のためのCLIPモデルを用いた3Dガウススティング(3DGS)が注目されている。
提案するセマンティック属性コンパクト性(SAC)と3Dコヒーレント正規化(3DCR)を用いて、3次元屋内シーンのコヒーレントな意味理解を効率的に実現するCLIP-GSを提案する。
ScanNetとReplicaのデータセット上で,mIoUの21.20%と13.05%の改善を実現し,既存の最先端手法を著しく抑制する。
論文 参考訳（メタデータ） (2024-04-22T15:01:32Z)
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。