論文の概要: GOR-IS: 3D Gaussian Object Removal in the Intrinsic Space

• arxiv url: http://arxiv.org/abs/2605.00498v1
• Date: Fri, 01 May 2026 08:20:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.904997
• Title: GOR-IS: 3D Gaussian Object Removal in the Intrinsic Space
• Title（参考訳）: GOR-IS:固有空間における3次元ガウス物体の除去
• Authors: Yonghao Zhao, Yupeng Gao, Jian Yang, Jin Xie, Beibei Wang,
• Abstract要約: 3D Gaussian Object removal in the Intrinsic Space (GOR-IS)は、物理的に一貫した視覚的にコヒーレントな3Dオブジェクト除去のための新しいフレームワークである。 本手法では、シーンを固有のコンポーネントに分解し、光輸送を明示的にモデル化し、グローバルな照明効果の整合性を維持する。 我々の枠組みは,物体除去の物理的一貫性と視覚的コヒーレンスを大幅に向上させ,知覚的類似性(LPIPS)と2dBのピーク信号対雑音比(PSNR)を13%向上させる。
• 参考スコア（独自算出の注目度）: 25.715087606246215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Neural Radiance Fields (NeRF) and 3D Gaussian Splatting (3DGS) have made it standard practice to reconstruct 3D scenes from multi-view images. Removing objects from such 3D representations is a fundamental editing task that requires complete and seamless inpainting of occluded regions, ensuring consistency in geometry and appearance. Although existing methods have made notable progress in improving inpainting consistency, they often neglect global lighting effects, leading to physically implausible results. Moreover, these methods struggle with view-dependent non-Lambertian surfaces, where appearance varies across viewpoints, leading to unreliable inpainting. In this paper, we present 3D Gaussian Object Removal in the Intrinsic Space (GOR-IS), a novel framework for physically consistent and visually coherent 3D object removal. Our approach decomposes the scene into intrinsic components and explicitly models light transport to maintain global lighting effects consistency. Furthermore, we introduce an intrinsic-space inpainting module that operates directly in the material and lighting domains, effectively addressing the challenges posed by non-Lambertian surfaces. Extensive experiments on both synthetic and real-world datasets demonstrate that our framework substantially improves the physical consistency and visual coherence of object removal, outperforming existing methods by 13% in perceptual similarity (LPIPS) and 2dB in peak signal-to-noise ratio (PSNR). Code is publicly available at https://applezyh.github.io/GOR-IS-project-page/
• Abstract（参考訳）: ニューラルレイディアンス・フィールド(NeRF)と3Dガウス・スプレイティング(3DGS)の最近の進歩は、マルチビュー画像から3Dシーンを再構築する標準的なプラクティスとなった。 このような3D表現からオブジェクトを取り除くことは基本的な編集作業であり、排他的領域の完全かつシームレスな塗布が必要であり、幾何学と外観の整合性を確保する。 既存の手法は塗装の整合性を改善するために顕著な進歩を遂げているが、大域的な照明効果を無視することが多く、物理的に不確実な結果をもたらす。 さらに、これらの手法は視界に依存しない非ランベルト面と競合し、外見は視点によって異なっており、信頼性の低い塗装に繋がる。 本稿では,GOR-IS(Gaussian Object removal in the Intrinsic Space)について述べる。 本手法では、シーンを固有のコンポーネントに分解し、光輸送を明示的にモデル化し、グローバルな照明効果の整合性を維持する。 さらに、材料や照明領域で直接動作する本質的な空間塗装モジュールを導入し、非ランベルト面の課題に効果的に対処する。 合成と実世界の両方のデータセットに対する大規模な実験により、我々のフレームワークは物体除去の物理的一貫性と視覚的コヒーレンスを大幅に改善し、既存の手法を13%の知覚的類似性(LPIPS)と2dBのピーク信号対雑音比(PSNR)で上回った。 コードはhttps://applezyh.github.io/GOR-IS-project-page/で公開されている。

関連論文リスト

• PhyGaP: Physically-Grounded Gaussians with Polarization Cues [22.116726816522178]
  3次元ガウス散乱(3DGS)は反射型3次元物体のモデリングと反射(DR)による環境との相互作用において大きな成功を収めた。 既存の手法は、アルベドやリフレクタンスなどの物理的特性を正しく再構築するのにしばしば苦労するため、リライティングをサポートしない。 偏光を利用した物理地上3DGS法であるPhyGaPを開発した。
  論文  参考訳（メタデータ） (2026-03-14T16:03:19Z)
• DiGA3D: Coarse-to-Fine Diffusional Propagation of Geometry and Appearance for Versatile 3D Inpainting [10.515239541326737]
  単一の参照インペインティングメソッドは、参照ビューから離れたビューを扱う場合、堅牢性に欠ける。 出現不整合は、独立に2次元拡散先行のマルチビュー画像に着色するときに生じる。 DiGA3Dは拡散モデルを用いて、一貫した外観と幾何学を粗い方法で伝播する。
  論文  参考訳（メタデータ） (2025-07-01T04:57:08Z)
• PIG: Physically-based Multi-Material Interaction with 3D Gaussians [14.097146027458368]
  PIG: 3次元ガウシアンとの物理的に基いた多元的相互作用は、3次元物体のセグメンテーションと高精度に相互作用する物体のシミュレーションを組み合わせた新しいアプローチである。 本手法は,映像品質の面では最先端技術(SOTA)よりも優れるだけでなく,物理的に現実的なシーン生成の分野での新たな方向やパイプラインも開放することを示す。
  論文  参考訳（メタデータ） (2025-06-09T11:25:21Z)
• Visibility-Uncertainty-guided 3D Gaussian Inpainting via Scene Conceptional Learning [63.94919846010485]
  3DGI)は、複数の入力ビューから補完的な視覚的・意味的手がかりを効果的に活用することが困難である。 本稿では,異なる入力ビュー間での3Dポイントの視認性不確実性を計測し,それらを用いて3DGIを誘導する手法を提案する。 ViSibility-uncerTainty-guided 3DGIとシーンコンセプトAl学習を統合し,新しい3DGIフレームワークであるVISTAを構築した。
  論文  参考訳（メタデータ） (2025-04-23T06:21:11Z)
• GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
  GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。 提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
  論文  参考訳（メタデータ） (2025-02-07T16:07:51Z)
• MoDA: Modeling Deformable 3D Objects from Casual Videos [84.29654142118018]
  神経二元四元系ブレンドスキンニング(NeuDBS)を提案し,スキンを折り畳むことなく3次元点変形を実現する。 異なるフレーム間で2Dピクセルを登録する試みにおいて、標準空間内の3D点を符号化する標準特徴埋め込みの対応性を確立する。 本手法は,ヒトと動物の3Dモデルを,最先端の手法よりも質的,定量的な性能で再構築することができる。
  論文  参考訳（メタデータ） (2023-04-17T13:49:04Z)
• Learning Indoor Inverse Rendering with 3D Spatially-Varying Lighting [149.1673041605155]
  1枚の画像からアルベド, 正常, 深さ, 3次元の空間的変化を共同で推定する問題に対処する。 既存のほとんどの方法は、シーンの3D特性を無視して、画像から画像への変換としてタスクを定式化する。 本研究では3次元空間変動照明を定式化する統合学習ベースの逆フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-13T15:29:03Z)

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。