論文の概要: BEA-GS: BEyond RAdiance Supervision in 3DGS for Precise Object Extraction
- arxiv url: http://arxiv.org/abs/2605.09662v1
- Date: Sun, 10 May 2026 17:22:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.356803
- Title: BEA-GS: BEyond RAdiance Supervision in 3DGS for Precise Object Extraction
- Title（参考訳）: BEA-GS:精密物体抽出のための3DGSの放射光スーパービジョン
- Abstract要約: 対象抽出においてほぼ完全である新しい解を提案する。
1) 可視ガウスの幾何を意味的境界を尊重するために修正する損失、2) 対象が抽出されたときに現れる非可視ガウスの幾何を調整する損失である。
- 参考スコア（独自算出の注目度）: 16.14609317188182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most Gaussian Splatting techniques that provide a 3D semantic representation of the scene do not optimize the underlying 3D geometry, making object-level editing or asset extraction challenging. Recent methods, such as COBGS, Trace3D, ObjectGS, acknowledge this limitation and propose approaches that modify the scene's geometry to represent the underlying semantics. We advance this concept further by proposing a novel solution that provides near perfect boundaries in object extraction. We do so by introducing two new losses in the optimization that take care of: 1) a loss that modifies the geometry of visible Gaussians to respect semantic boundaries, and 2) a loss that adjusts the geometry of non-visible Gaussians that appear once the object is extracted. Our first loss propagates gradients directly through the rasterization, allowing for seamless integration within the optimization of the Gaussian parameters. The second loss also propagates gradients to Gaussian parameters but does so without passing through the rasterization, enabling modification of the scene's geometry even when little transmittance reaches a Gaussian (partial or non-visible). Exhaustive comparisons with 12 state of the art methods across 4 datasets, using six metrics, demonstrate that our approach produces overall the best boundary segmentation to date.
- Abstract（参考訳）: シーンの3次元意味表現を提供するガウス的スティング技術の多くは、基礎となる3次元幾何学を最適化せず、オブジェクトレベルの編集や資産抽出を困難にしている。
COBGS、Trace3D、ObjectGSといった最近の手法はこの制限を認め、背景となるセマンティクスを表現するためにシーンの幾何学を変更するアプローチを提案する。
我々は、オブジェクト抽出におけるほぼ完全な境界を提供する新しい解を提案することによって、この概念をさらに進める。
これに対処する最適化に2つの新たな損失を導入することで実現しています。
1) 意味的境界を尊重するために可視ガウスの幾何学を変更する損失,及び
2) 対象が抽出されたときに現れる非可視ガウスの幾何学を調整する損失。
最初の損失はラスタ化によって直接勾配を伝播し、ガウスパラメータの最適化内でシームレスな積分を可能にする。
第2の損失は、ガウスのパラメータへの勾配も伝播するが、ラスタ化を通さずに、ガウス(部分的または非可視的)にはほとんど透過が届いなくても、シーンの幾何学の修正を可能にする。
4つのデータセットにまたがる12の最先端の手法を6つのメトリクスで比較した結果、我々の手法が今までで最高の境界セグメンテーションを生み出していることが示された。
関連論文リスト
- Exploration Matters for Escaping the Blur Trap in 3D Gaussian Splatting [7.184840788465046]
3D GaussianRandomting(3DGS)は、露骨なシーン表現、リアルタイム、高忠実な再構築、新しい再構築のためにガウスのプリミティブを使用している。
我々はBlur Trapの原因となるバイアスを同定し、Far-side Blur TrapとNear-side Blur Trapの2つのサブタイプに分類する。
論文 参考訳（メタデータ） (2026-07-20T14:05:54Z) - PointSplat: Efficient Geometry-Driven Pruning and Transformer Refinement for 3D Gaussian Splatting [2.5823344978857388]
3D Gaussian Splattingは最近、明示的な3Dプリミティブを使用してシーンを表現することによって、リアルタイムで高忠実なノベルビュー合成をアンロックした。
従来の手法では複雑なシーンを捉えるために何百万人ものガウシアンを必要とすることが多く、メモリとストレージの要求が大きくなった。
近年のアプローチでは、ガウスパラメータのプルーニングとシーン毎の微調整によってこの問題に対処し、視覚的品質を維持しながらモデルサイズを削減している。
論文 参考訳（メタデータ） (2026-04-10T20:56:18Z) - 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) - G2P: Gaussian-to-Point Attribute Alignment for Boundary-Aware 3D Semantic Segmentation [22.750868489199686]
本稿では,3次元ガウススプラッティングから点雲へ外観認識属性を移し,より識別的かつ外観に一貫性のあるセグメンテーションを行うガウス・ツー・ポイント(G2P)を提案する。
提案手法は,標準ベンチマーク上での優れた性能を実現し,幾何学的に難解なクラスにおいて,すべて2Dや言語を監督せずに大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2026-01-07T01:44:29Z) - Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。
従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。
我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
論文 参考訳（メタデータ） (2026-01-05T18:33:50Z) - Trace3D: Consistent Segmentation Lifting via Gaussian Instance Tracing [27.24794829116753]
ガウススプラッティングにおける2次元視覚分割を3次元に引き上げることの課題に対処する。
既存の方法は、視界を横断する不整合な2Dマスクに悩まされ、うるさいセグメンテーション境界を生成する。
本稿では,標準ガウス表現を入力ビュー全体にわたってインスタンス重み行列で拡張するガウスインスタンス追跡(GIT)を紹介する。
論文 参考訳（メタデータ） (2025-08-05T08:54:17Z) - COB-GS: Clear Object Boundaries in 3DGS Segmentation Based on Boundary-Adaptive Gaussian Splitting [67.03992455145325]
3D Gaussian Splatting(3DGS)に基づく3Dセグメンテーションは、オブジェクトの境界を正確に記述するのに苦労する。
セグメンテーション精度の向上を目的とした3DGS(COB-GS)のためのクリアオブジェクト境界を導入する。
意味指導には境界適応型ガウス分割法を導入する。
視覚的最適化のために、3DGSシーンの劣化したテクスチャを補正する。
論文 参考訳（メタデータ） (2025-03-25T08:31:43Z) - Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。
ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。
本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文 参考訳（メタデータ） (2024-08-12T16:49:22Z) - 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) - SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。
SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。
提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
論文 参考訳（メタデータ） (2024-01-31T14:19:03Z) - Detecting Rotated Objects as Gaussian Distributions and Its 3-D
Generalization [81.29406957201458]
既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。
このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。
回転した物体をガウス分布としてモデル化することを提案する。
2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
論文 参考訳（メタデータ） (2022-09-22T07:50:48Z)
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。