論文の概要: Sparse-to-Complete: From Sparse Image Captures to Complete 3D Scenes
- arxiv url: http://arxiv.org/abs/2605.05664v1
- Date: Thu, 07 May 2026 04:41:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.519285
- Title: Sparse-to-Complete: From Sparse Image Captures to Complete 3D Scenes
- Title（参考訳）: Sparse-to-Complete: スパース画像から3Dシーンまで
- Authors: Yiyang Shen, Yin Yang, Kun Zhou, Tianjia Shao,
- Abstract要約: S2C-3Dは、6枚から8枚までの高忠実で完全なシーン再構築のための新しいスパースビュー3D再構成フレームワークである。
本フレームワークは,シーン固有の画像復元のための特殊拡散モデル,トレーニング不要なビューコンディスタンス条件付きサンプリングプロセス,カメラ軌道計画スキームの3つのコンポーネントを特徴とする。
- 参考スコア（独自算出の注目度）: 32.47917212506622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce S2C-3D, a novel sparse-view 3D reconstruction framework for high-fidelity and complete scene reconstruction from as few as six to eight images. Our framework features three components: a specialized diffusion model for scene-specific image restoration, a training-free view-consistency conditioned sampling process in the diffusion model for refined Gaussian optimization, and a camera trajectory planning scheme to ensure comprehensive scene coverage. The specialized diffusion model is developed by finetuning a pretrained architecture on the input views and their corresponding degraded counterparts. The adaptation to the scene distribution allows the model to repair Gaussian renderings while effectively eliminating domain gaps. Meanwhile, the trajectory planning scheme optimizes scene coverage by connecting each newly sampled camera to its two nearest neighbors. By iteratively constructing paths and retaining only those that significantly enhance visibility, the scheme establishes a trajectory that covers the entire scene. To address multi-view conflicts, the view-consistency conditioned sampling process quantifies the consistency between neighboring repaired images. This information is injected as a condition into the sampling process of the frozen diffusion model, facilitating the generation of view-consistent images without additional training. Consequently, our approach produces high-fidelity 3D Gaussians that are robust to artifacts. Experimental results demonstrate that S2C-3D outperforms state-of-the-art methods, constructing high-quality scenes that are free from missing regions, blurring, or other artifacts with very sparse inputs. The source code and data are available at https://gapszju.github.io/S2C-3D.
- Abstract（参考訳）: S2C-3Dは,6～8枚の画像から高忠実で完全なシーン再構築を実現するための,新しいスパースビュー3D再構成フレームワークである。
本フレームワークは,シーン固有の画像復元のための特殊拡散モデル,洗練されたガウス最適化のための拡散モデルにおける学習不要視点条件付きサンプリングプロセス,及び包括的シーンカバレッジを確保するためのカメラ軌道計画スキームの3つの構成要素を特徴とする。
特殊拡散モデルは、入力ビューとそれに対応する劣化したアーキテクチャを微調整することによって展開される。
シーン分布への適応により、モデルがガウスレンダリングを修復し、ドメインギャップを効果的に排除できる。
一方、軌道計画手法は、新しくサンプリングされた各カメラを近隣の2つのカメラに接続することで、シーンカバレッジを最適化する。
経路を反復的に構築し、可視性を大幅に向上させるもののみを保持することにより、このスキームはシーン全体をカバーする軌道を確立する。
多視点コンフリクトに対処するために、ビュー一貫性条件付きサンプリングプロセスは、隣接する修復画像間の一貫性を定量化する。
この情報は、凍結拡散モデルのサンプリングプロセスに条件として注入され、追加のトレーニングをすることなく、ビュー一貫性画像の生成が容易になる。
その結果, アーティファクトに頑健な高忠実度3Dガウス多様体が得られた。
実験の結果、S2C-3Dは最先端の手法よりも優れており、欠落した領域やぼやけのない、あるいは非常に少ない入力を持つ他のアーティファクトのない高品質なシーンを構築することができる。
ソースコードとデータはhttps://gapszju.github.io/S2C-3Dで公開されている。
関連論文リスト
- Enhancing Novel View Synthesis from extremely sparse views with SfM-free 3D Gaussian Splatting Framework [14.927184256861807]
本稿では,SfMフリーな3DGSを用いたカメラのポーズを推定し,非常にスムーズな視点から3Dシーンを再構成する手法を提案する。
提案手法は,PSNRの高度2.75dB改善を極端に軽視条件下で達成し,他の最先端3DGS法よりも優れていた。
論文 参考訳（メタデータ） (2025-08-21T11:25:24Z) - EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。
本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
論文 参考訳（メタデータ） (2025-03-26T02:47:27Z) - Uncertainty-Aware Diffusion Guided Refinement of 3D Scenes [39.44244142263019]
1枚の画像から3Dシーンを再構築することは、問題の本質が過小評価されているため、基本的に不適切な作業である。
本研究では,既存の画像から3D画像へのフィードフォワードネットワークにおいて,これらの制約に対処する。
入力画像の視界を超えた情報不足による性能低下を軽減するため、事前学習された潜伏映像拡散モデルを用いて、強い生成前を活用できる。
論文 参考訳（メタデータ） (2025-03-19T23:14:27Z) - RI3D: Few-Shot Gaussian Splatting With Repair and Inpainting Diffusion Priors [13.883695200241524]
RI3Dは拡散モデルのパワーを生かした新しい手法であり、入力画像のスパースセットが与えられた場合、高品質な新規ビューを再構築する。
我々の重要な貢献は、ビュー合成プロセスを可視領域を再構築し、行方不明領域を幻覚させる2つのタスクに分けることである。
我々は、様々な場面において最先端のアプローチよりも優れた、目に見える領域と欠落する領域の両方で、詳細なテクスチャで結果を生成する。
論文 参考訳（メタデータ） (2025-03-13T20:16:58Z) - FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。
当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。
包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
論文 参考訳（メタデータ） (2024-12-12T18:52:53Z) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。
提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。
この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:22Z) - GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。
モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。
最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
論文 参考訳（メタデータ） (2024-07-05T03:43:08Z) - Mixed Diffusion for 3D Indoor Scene Synthesis [55.94569112629208]
提案するMiDiffusionは,可塑性3次元屋内シーンを合成するための混合離散連続拡散モデルである。
床条件の3次元シーン合成において,最先端の自己回帰モデルおよび拡散モデルより優れることを示す。
論文 参考訳（メタデータ） (2024-05-31T17:54:52Z) - SC-Diff: 3D Shape Completion with Latent Diffusion Models [4.261508855254493]
マルチモーダル条件を統一する新しい3次元形状完備化フレームワークを提案する。
形状はTrncated Signed Distance Function (TSDF) として表現され、2Dと3Dのキューで共同で制御された離散潜在空間に符号化される。
提案手法は, フレキシブルなマルチモーダルコンディショニングにより生成過程をガイドし, 2次元情報と3次元情報の一貫した統合を保証する。
論文 参考訳（メタデータ） (2024-03-19T06:01:11Z)
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。