論文の概要: Generalizable Sparse-View 3D Reconstruction from Unconstrained Images

• arxiv url: http://arxiv.org/abs/2604.28193v1
• Date: Thu, 30 Apr 2026 17:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.25332
• Title: Generalizable Sparse-View 3D Reconstruction from Unconstrained Images
• Title（参考訳）: 非拘束画像からの一般化可能なスパースビュー3次元再構成
• Authors: Vinayak Gupta, Chih-Hao Lin, Shenlong Wang, Anand Bhattad, Jia-Bin Huang,
• Abstract要約: GenWildSplatは、スパースビュー屋外再構築のためのフィードフォワードフレームワークである。 標準空間において、深さ、カメラパラメータ、および3Dガウスを予測します。 様々な照明と閉塞パターンを一般化する。
• 参考スコア（独自算出の注目度）: 34.49488901858801
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing 3D scenes from sparse, unposed images remains challenging under real-world conditions with varying illumination and transient occlusions. Existing methods rely on scene-specific optimization using appearance embeddings or dynamic masks, which requires extensive per-scene training and fails under sparse views. Moreover, evaluations on limited scenes raise questions about generalization. We present GenWildSplat, a feed-forward framework for sparse-view outdoor reconstruction that requires no per-scene optimization. Given unposed internet images, GenWildSplat predicts depth, camera parameters, and 3D Gaussians in a canonical space using learned geometric priors. An appearance adapter modulates appearance for target lighting conditions, while semantic segmentation handles transient objects. Through curriculum learning on synthetic and real data, GenWildSplat generalizes across diverse illumination and occlusion patterns. Evaluations on PhotoTourism and MegaScenes benchmark demonstrate state-of-the-art feed-forward rendering quality, achieving real-time inference without test-time optimization
• Abstract（参考訳）: スパースから3Dシーンを再構築した未ポーズ画像は、様々な照明と過渡的な閉塞で現実世界の条件下では困難なままである。 既存の方法は、外観埋め込みやダイナミックマスクを使ったシーン固有の最適化に依存しており、シーンごとのトレーニングが必要で、スパースビューで失敗する。 さらに,限定シーンの評価は,一般化に関する疑問を提起する。 我々は,スパースビュー屋外再構築のためのフィードフォワードフレームワークであるGenWildSplatを紹介し,シーンごとの最適化を必要としない。 GenWildSplatは、未提示のインターネット画像から、学習された幾何学的事前情報を用いて、標準空間における深さ、カメラパラメータ、および3Dガウスを予測する。 外観適応器は目標の照明条件の外観を変調し、セマンティックセグメンテーションは過渡的なオブジェクトを処理する。 GenWildSplatは、合成データと実データに関するカリキュラム学習を通じて、様々な照明パターンと閉塞パターンを一般化する。 PhotoTourismとMegaScenesベンチマークの評価は、最先端のフィードフォワードレンダリングの品質を示し、テスト時間最適化なしでリアルタイム推論を実現する。

関連論文リスト

• WildSplatter: Feed-forward 3D Gaussian Splatting with Appearance Control from Unconstrained Images [8.46439977025813]
  WildSplatterは、未知のカメラパラメータと様々な照明条件を持つ非拘束画像のためのフィードフォワード3Dガウススプラッティング(3DGS)モデルである。 入力画像に条件付き3Dガウスアンと外観埋め込みを共同で学習する。 提案手法は,3次元ガウシアンを1秒以内のスパース入力ビューから再構成し,多様な照明条件下での外観制御を可能にする。
  論文  参考訳（メタデータ） (2026-04-23T00:58:43Z)
• R3GW: Relightable 3D Gaussians for Outdoor Scenes in the Wild [23.68389428693905]
  3D Gaussian Splatting (3DGS) は静的シーンの3D再構成と新しいビュー合成の先駆的手法として確立されている。 本稿では,野生で捉えた屋外シーンの3DGS表現を学習する新しい手法R3GWを提案する。
  論文  参考訳（メタデータ） (2026-03-03T09:40:16Z)
• OGGSplat: Open Gaussian Growing for Generalizable Reconstruction with Expanded Field-of-View [74.58230239274123]
  一般化可能な3次元再構成において視野を拡大するオープンガウス成長法であるOGGSplatを提案する。 我々の重要な洞察は、オープンガウスのセマンティックな属性が、画像外挿の強い先行性を提供するということである。 OGGSplatはまた、スマートフォンカメラから直接撮影される2つのビューイメージを備えた場合、有望なセマンティック・アウェア・シーン再構築機能を示す。
  論文  参考訳（メタデータ） (2025-06-05T16:17:18Z)
• AnySplat: Feed-forward 3D Gaussian Splatting from Unconstrained Views [68.94737256959661]
  AnySplatは、未校正画像コレクションから新しいビューを合成するためのフィードフォワードネットワークである。 単一のフォワードパスは、シーン幾何学と外観の両方をコードする3Dガウスプリミティブのセットを生成する。 広範囲なゼロショット評価では、AnySplatはスパースと高密度の両方のビューシナリオにおいて、ポーズを意識するベースラインの品質にマッチする。
  論文  参考訳（メタデータ） (2025-05-29T17:49:56Z)
• SparseGS-W: Sparse-View 3D Gaussian Splatting in the Wild with Generative Priors [22.561786156613525]
  SparseGS-Wは,非制約画像から大規模シーンを合成する新しいフレームワークである。 我々は,高度にスパースな入力から得られる多視点情報の欠如を補うために,幾何学的先行と制約付き拡散の先行を利用する。 SparseGS-Wは、完全な参照メトリクスだけでなく、FID、ClipIQA、MUSIQなどの一般的な非参照メトリクスでも、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-25T08:40:40Z)
• Gaussian Scenes: Pose-Free Sparse-View Scene Reconstruction using Depth-Enhanced Diffusion Priors [8.440211083233528]
  本研究では2次元画像の粗い集合から360度シーンのポーズなし(カメラパラメータなしで)再構成のための生成的アプローチを提案する。 画像から画像への生成モデルを提案し、3Dシーンの新たな画像レンダリングと深度マップにおいて、欠落した詳細を描き、アーティファクトを除去する。
  論文  参考訳（メタデータ） (2024-11-24T19:34:58Z)
• MetaCap: Meta-learning Priors from Multi-View Imagery for Sparse-view Human Performance Capture and Rendering [91.76893697171117]
  そこで本研究では, 高精度かつ高品質な幾何復元と新規なビュー合成手法を提案する。 私たちのキーとなるアイデアは、低解像度のマルチビュービデオからのみ、放射界の重みをメタラーニングすることです。 新しいデータセットWildDynaCap(ワイルドダイナキャップ)は、密集したカメラドームと細いカメラリグの両方に収まる被写体を含んでいる。
  論文  参考訳（メタデータ） (2024-03-27T17:59:54Z)
• FrozenRecon: Pose-free 3D Scene Reconstruction with Frozen Depth Models [67.96827539201071]
  本稿では,3次元シーン再構成のための新しいテスト時間最適化手法を提案する。 本手法は5つのゼロショットテストデータセット上で,最先端のクロスデータセット再構築を実現する。
  論文  参考訳（メタデータ） (2023-08-10T17:55:02Z)

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。