論文の概要: ConFixGS: Learning to Fix Feedforward 3D Gaussian Splatting with Confidence-Aware Diffusion Priors in Driving Scenes
- arxiv url: http://arxiv.org/abs/2605.09688v1
- Date: Sun, 10 May 2026 18:18:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.372977
- Title: ConFixGS: Learning to Fix Feedforward 3D Gaussian Splatting with Confidence-Aware Diffusion Priors in Driving Scenes
- Title（参考訳）: ConFixGS: 運転シーンにおける信頼度を考慮した拡散前処理によるフィードフォワード3次元ガウス切削の学習
- Authors: Rui Song, Tianhui Cai, Markus Gross, Xingcheng Zhou, Zewei Zhou, Zhiyu Huang, Olaf Wysocki, Jiaqi Ma,
- Abstract要約: ConFixGS(コンフィクス)は、フィードフォワード3DGSを信頼を意識した拡散先で修正することを学ぶプラグイン・アンド・プレイ方式である。
本研究は,高機能なフィードフォワード3次元運転シーン再構築の鍵となる,生成前の信頼度とサポートビューの整合性に着目した。
- 参考スコア（独自算出の注目度）: 21.14119909875894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feedforward 3D Gaussian Splatting (3DGS) often struggles in trajectory-based sparse-view driving scenes. Existing Gaussian repair methods mainly target optimization-based 3DGS, while diffusion-based repair is typically restricted to iterative refinement near observed viewpoints, leaving feedforward 3DGS repair underexplored. We propose ConFixGS, a plug-and-play method that learns to fix feedforward 3DGS with confidence-aware diffusion priors. Starting from a pretrained feedforward model, ConFixGS generates diffusion-enhanced local pseudo-targets and validates them through reprojection-based cross-checking against support views. The resulting dense confidence maps guide refinement, enhancing reliable details while suppressing hallucinated or inconsistent evidence. On Waymo, nuScenes, and KITTI, ConFixGS improves challenging novel view synthesis, with PSNR gains of up to 3.68 dB and FID reduced by nearly half. Our results highlight confidence-aware fusion of generative priors and support-view consistency as a key principle for robust feedforward 3D driving scene reconstruction.
- Abstract（参考訳）: Feedforward 3D Gaussian Splatting (3DGS) はしばしば軌跡に基づくスパース・ビュー・ドライビングシーンで苦労する。
既存のガウシアン補修法は主に最適化に基づく3DGSをターゲットにしているが、拡散ベースの補修は観察された視点に近い反復的な改良に限られており、フィードフォワード3DGSの補修は未調査のままである。
ConFixGS は,フィードフォワード3DGS を信頼度に配慮した拡散先で修正するプラグイン・アンド・プレイ法である。
事前トレーニングされたフィードフォワードモデルから始めると、ConFixGSは拡散強化されたローカル擬似ターゲットを生成し、サポートビューに対する再ジェクションベースのクロスチェックを通じて検証する。
結果として得られた高信頼マップは洗練を導いており、幻覚的または矛盾した証拠を抑えながら信頼性の高い詳細を強化する。
Waymo、nuScenes、KITTIでは、ConFixGSは、PSNRが最大3.68dB、FIDが半分近く減少する、挑戦的な新しいビュー合成を改善している。
本研究は,高機能なフィードフォワード3次元運転シーン再構築の鍵となる,生成前の信頼度とサポートビューの整合性に着目した。
関連論文リスト
- NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting [41.21645092733966]
本稿では,多視点不整合な2次元特徴を持ち上げることで生成されるノイズの多い3次元セマンティックフィールドを改良するニューラル正規化手法を提案する。
実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
論文 参考訳（メタデータ） (2026-04-24T10:57:05Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - AdvSplat: Adversarial Attacks on Feed-Forward Gaussian Splatting Models [16.115612700186023]
3D Gaussian Splatting (3DGS) はリアルタイム・高忠実な3D再構成のための強力なパラダイムとしてますます認識されている。
最近出現したフィードフォワード3DGSモデルは、大規模な事前訓練後の入力ビューからの高速な再構築を可能にすることで、これらの制限に対処している。
フィードフォワード3DGSに対する敵攻撃に関する最初の体系的研究であるAdvSplatを紹介する。
論文 参考訳（メタデータ） (2026-03-24T19:48:23Z) - FixingGS: Enhancing 3D Gaussian Splatting via Training-Free Score Distillation [24.04452256357554]
スパースビュー3DGS再構成強化のためのトレーニング不要なFixingGSを提案する。
FixingGSの核心は蒸留法であり、より正確かつ相互にコヒーレントな拡散を先導する。
さらに,非拘束領域における再構成をさらに洗練する適応的漸進的拡張手法を提案する。
論文 参考訳（メタデータ） (2025-09-23T07:53:46Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。
既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。
2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
論文 参考訳（メタデータ） (2025-06-03T11:13:48Z) - Distractor-free Generalizable 3D Gaussian Splatting [26.762275313390194]
DGGSは、未発見の課題に対処する新しいフレームワークである。 $textbfDistractor-free Generalizable 3D Gaussian Splatting$ (3DGS)。
クロスシーンの一般化可能な列車設定におけるトラクタデータによる3次元不整合とトレーニング不安定性を緩和する。
我々の一般化可能なマスク予測は、既存のシーン固有の訓練方法よりも精度が高い。
論文 参考訳（メタデータ） (2024-11-26T17:17:41Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z)
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。