論文の概要: 2D-SuGaR: Surface-Aware Gaussian Splatting for Geometrically Accurate Mesh Reconstruction

• arxiv url: http://arxiv.org/abs/2605.00569v1
• Date: Fri, 01 May 2026 11:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.932571
• Title: 2D-SuGaR: Surface-Aware Gaussian Splatting for Geometrically Accurate Mesh Reconstruction
• Title（参考訳）: 2D-SuGaR:幾何的精度のメッシュ再構成のための表面認識ガウススプレイティング
• Authors: Prajwal Gupta C. R., Divyam Sheth, Jinjoo Ha, Mirela Ostrek, Justus Thies,
• Abstract要約: 2次元ガウススプラッティング (2DGS) は、多視点画像から立体的かつ幾何的に正確な表面再構成を可能にするために提案されている。 2DGSを単分子深度と通常の先行値に組み込むことで,幾何的精度と頑健さを両立させる。 提案手法をDTUデータセット上で評価し,高品質な新規ビューを維持しつつ,メッシュ再構築におけるフォトリアリスティックな結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 20.01352292373102
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful technique for generating photorealistic renderings of a scene in real-time. However, the volumetric nature of 3DGS limits its ability to accurately capture surface geometry. To address this, 2D Gaussian Splatting (2DGS) was proposed to enable view-consistent and geometrically accurate surface reconstruction from multi-view images. However, 2DGS can be sensitive to the initialization of the Gaussian primitives. Reliance on Structure-from-Motion (SfM) initializations, which can produce poor estimates on challenging image sets, may lead to subpar results. In this work, we enhance 2DGS by incorporating monocular depth and normal priors to improve both geometric accuracy and robustness. We propose a depth-guided initialization strategy for Gaussians and introduce a clustering-based technique for pruning degenerate Gaussians. We evaluate our method on the DTU dataset, where it achieves state-of-the-art results in mesh reconstruction while preserving high-quality novel view synthesis.
• Abstract（参考訳）: 3Dガウススティング(3DGS)は、シーンの写実的レンダリングをリアルタイムで生成する強力な技術として登場した。 しかし、3DGSの体積特性は、表面幾何学を正確に捉える能力を制限する。 これを解決するために,2次元ガウス散乱法 (2DGS) が提案され,多視点画像から立体的かつ幾何的に正確な表面再構成が可能となった。 しかし、2DGSはガウス原始体の初期化に敏感である。 SfM(Structure-from-Motion)初期化の信頼性は、挑戦的な画像集合の予測が下手な結果をもたらす可能性がある。 本研究は, 単分子深度と正規事前を組み込むことで2DGSを強化し, 幾何学的精度とロバスト性の両方を改善した。 本稿では,ガウシアンに対する奥行き誘導初期化戦略を提案し,ガウシアンを刈り取るクラスタリング手法を提案する。 提案手法をDTUデータセット上で評価し,高品質な新規ビュー合成を保ちつつ,メッシュ再構築の最先端結果を実現する。

関連論文リスト

• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• GS-2DGS: Geometrically Supervised 2DGS for Reflective Object Reconstruction [51.99776072246151]
  2次元ガウス散乱(2DGS)に基づく反射物体に対するGS-2DGSと呼ばれる新しい再構成法を提案する。 合成および実データを用いた実験結果から,本手法はガウスの手法を再現・啓蒙の面で著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-06-16T05:40:16Z)
• Sparse2DGS: Geometry-Prioritized Gaussian Splatting for Surface Reconstruction from Sparse Views [45.125032766506536]
  完全かつ正確な再構成のためのMVS-d Gaussian Splatting PipelineであるSparse2DGSを提案する。 我々の重要な洞察は、幾何学的優先順位付けされた拡張スキームを組み込むことであり、不適切な条件下での直接的かつ堅牢な幾何学的学習を可能にする。 Sparse2DGSは、NeRFベースの微調整方式よりも2倍の速さで既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-04-29T02:47:02Z)
• Quadratic Gaussian Splatting: High Quality Surface Reconstruction with Second-order Geometric Primitives [7.500927135156425]
  Quadratic Gaussian Splatting (QGS) は、静的プリミティブを変形可能な二次曲面に置き換える新しい表現である。 QGSは2DGSで33%、DTUデータセットでGOFで27%の幾何学的誤差(チャンファー距離)を減少させる。
  論文  参考訳（メタデータ） (2024-11-25T13:55:00Z)
• Effective Rank Analysis and Regularization for Enhanced 3D Gaussian Splatting [33.01987451251659]
  3D Gaussian Splatting(3DGS)は、高品質な3D再構成によるリアルタイムレンダリングが可能な有望な技術として登場した。 その可能性にもかかわらず、3DGSは針状アーティファクト、準最適ジオメトリー、不正確な正常といった課題に遭遇する。 正規化として有効ランクを導入し、ガウスの構造を制約する。
  論文  参考訳（メタデータ） (2024-06-17T15:51:59Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)

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。