論文の概要: Softmax-GS: Generalized Gaussians Learning When to Blend or Bound
- arxiv url: http://arxiv.org/abs/2604.27437v1
- Date: Thu, 30 Apr 2026 05:23:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-01 16:31:53.932591
- Title: Softmax-GS: Generalized Gaussians Learning When to Blend or Bound
- Title（参考訳）: Softmax-GS: 一般のガウス派はいつブレンドするか、バウンドするかを学ぶ
- Authors: Chen Ziwen, Peng Wang, Hao Tan, Zexiang Xu, Li Fuxin,
- Abstract要約: 3Dガウススメッティング(3D GS)は、高いトレーニングとレンダリング効率のために、新しいビュー合成に広く採用されている。
我々は、ビュー不整合と拡散境界問題に対処する統一解であるSoftmax-GSを提案する。
- 参考スコア（独自算出の注目度）: 19.234118544637592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D Gaussian Splatting (3D GS) is widely adopted for novel view synthesis due to its high training and rendering efficiency. However, its efficiency relies on the key assumption that Gaussians do not overlap in the 3D space, which leads to noticeable artifacts and view inconsistencies. In addition, the inherently diffuse boundaries of Gaussians hinder accurate reconstruction of sharp object edges. We propose Softmax-GS, a unified solution that addresses both the view-inconsistency and the diffuse-boundary problem by enforcing a softmax-based competition in overlapping regions between two Gaussians. With learnable parameters controlling the strength of the competition, it enables a continuous spectrum from smooth color blending to crisp, well-defined boundaries. Our formulation explicitly preserves order invariance for any two overlapping Gaussians and ensures that the output transmittance remains unchanged irrespective of the extent of overlapping, preventing undesirable discontinuities in the rendered output. Ablation experiments on simple geometries demonstrate the effectiveness of each component of Softmax-GS, and evaluations on real-world benchmarks show that it achieves state-of-the-art performance, improving both reconstruction quality and parameter efficiency.
- Abstract（参考訳）: 3Dガウススメッティング(3D GS)は、高いトレーニングとレンダリング効率のために、新しいビュー合成に広く採用されている。
しかし、その効率性はガウスが3次元空間において重複しないという重要な仮定に依存しており、これは顕著な成果物や矛盾を見ることができる。
さらに、ガウスの本質的に拡散した境界は、鋭い物体の縁の正確な再構築を妨げる。
2つのガウス間の重なり合う領域において、ソフトマックスベースの競合を強制することにより、ビュー不整合と拡散境界問題の両方に対処する統一解であるSoftmax-GSを提案する。
学習可能なパラメータが競合の強さを制御することにより、滑らかな色のブレンディングから、鮮明で明確に定義された境界まで、連続スペクトルが可能である。
我々の定式化は、任意の2つの重なり合うガウスの順序不変性を明示的に保ち、重なり合う範囲に関係なく出力の透過性が変わらないことを保証し、出力された出力における望ましくない不連続を防止する。
簡易ジオメトリのアブレーション実験では, ソフトマックスGSの各コンポーネントの有効性が実証され, 実世界のベンチマークでは, 再現品質とパラメータ効率の両立が図られている。
関連論文リスト
- NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting [41.21645092733966]
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。
論文 参考訳（メタデータ） (2026-04-24T10:57:05Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - Gradient-Direction-Aware Density Control for 3D Gaussian Splatting [7.234328187876289]
3D Gaussian Splatting (3DGS) は、明示的なシーン表現による新規なビュー合成が著しく進歩している。
既存のアプローチは、複雑なシナリオで2つの重要な制限を示す。
本稿では勾配方向対応型適応密度制御フレームワークGDAGSを提案する。
論文 参考訳（メタデータ） (2025-08-12T13:12:54Z) - 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) - Duplex-GS: Proxy-Guided Weighted Blending for Real-Time Order-Independent Gaussian Splatting [37.17972426764452]
本稿では、プロキシガウス表現と順序に依存しないレンダリング技術を統合する二重階層フレームワークを提案する。
我々は、我々のフレームワークとオーダー独立透明性(OIT)をシームレスに組み合わせることで、物理的にインスパイアされた重み付けされた和レンダリング技術を開発し、同時に「ポーピング」と「透明性」アーティファクトを除去する。
提案手法は,既存のOITをベースとしたガウス版よりも1.5～4倍高速で高品質なレンダリングを実現し,ガウス版におけるOITレンダリングの利点を検証した。
論文 参考訳（メタデータ） (2025-08-05T07:44:30Z) - Micro-splatting: Multistage Isotropy-informed Covariance Regularization Optimization for High-Fidelity 3D Gaussian Splatting [1.5582756275568836]
マイクロスプレイティング(Micro-Splatting)は、モデル複雑性を大幅に削減しつつ、視覚的詳細を保存する、統合されたトレーニング中のパイプラインである。
4つのオブジェクト中心のベンチマークでは、Micro-Splattingはスプレート数とモデルサイズを60%まで削減し、トレーニングを20%短縮する。
その結果、マイクロスプレイティングは、単一で効率的でエンドツーエンドのフレームワークにおいて、コンパクト性と高忠実性の両方を提供することを示した。
論文 参考訳（メタデータ） (2025-04-08T07:15:58Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z)
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。