論文の概要: PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2605.12072v2
• Date: Wed, 13 May 2026 11:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.897584
• Title: PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting
• Title（参考訳）: PairDropGS:Sparse-View Gaussian SplattingのためのPaired Dropout-induced Consistency Regularization
• Authors: Hantang Li, Qiang Zhu, Xiandong Meng, Xingtao Wang, Debin Zhao, Xiaopeng Fan,
• Abstract要約: ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。 PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。 PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
• 参考スコア（独自算出の注目度）: 81.95709983545666
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Dropout-based sparse-view 3D Gaussian Splatting (3DGS) methods alleviate overfitting by randomly suppressing Gaussian primitives during training. Existing methods mainly focus on designing increasingly sophisticated dropout strategies, while they overlook the resulting inconsistencies among different dropped Gaussian subsets. This oversight often leads to unstable reconstruction and suboptimal Gaussian representation learning.In this paper, we revisit dropout-based sparse-view 3DGS from a consistency regularization perspective and propose PairDropGS, a Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splatting. Specifically, PairDropGS first constructs a pair of the dropped Gaussian subsets from a shared Gaussian field and designs a low-frequency consistency regularization to constrain their low-frequency rendered structures. This design encourages the shared Gaussian field to preserve stable scene layout and coarse geometry under different random dropouts, while avoiding excessive constraints on ambiguous high-frequency details. Moreover, we introduce a progressive consistency scheduling strategy to gradually strengthen the consistency regularization during training for stability and robustness of reconstruction. Extensive experiments on widely-used sparse-view benchmarks demonstrate that PairDropGS achieves superior training stability, significantly outperforms existing dropout-based 3DGS methods in reconstruction quality, while exhibiting the simplicity and plug-and-play nature for improving dropout-based optimization.
• Abstract（参考訳）: ドロップアウトに基づくスパースビュー3Dガウススプラッティング(3DGS)法は、トレーニング中のガウス原始体をランダムに抑制することで過度な適合を緩和する。 既存の手法は主に洗練されたドロップアウト戦略の設計に重点を置いているが、それらは異なるガウス部分集合の結果として生じる矛盾を見逃している。 この監視は不安定な再構築と準最適ガウス表現学習につながることが多く、この論文では、一貫した正規化の観点から、ドロップアウトに基づくスパースビュー3DGSを再検討し、スパースビューガウス平滑化のためのペアドドロップアウト誘導一貫性正規化フレームワークであるPairDropGSを提案する。 具体的には、PairDropGSはまず、共有ガウス場から降下したガウス部分集合のペアを構築し、低周波整合正規化を設計し、低周波構造を制約する。 この設計により、共有ガウス場は、不明瞭な高周波の詳細に対する過剰な制約を回避しつつ、異なるランダムなドロップアウトの下で安定したシーンレイアウトと粗い幾何学を維持することができる。 さらに, 復元の安定性と堅牢性に関するトレーニングにおいて, 漸進的整合性スケジューリング戦略を導入し, 漸進的整合性正規化を徐々に強化する。 PairDropGSはトレーニングの安定性を向上し、既存のドロップアウトベースの3DGS手法よりも高い再現性を示しながら、ドロップアウトベースの最適化を改善するためのシンプルさとプラグ・アンド・プレイ性を示した。

関連論文リスト

• 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)
• F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
  本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。 本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。 実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:03:56Z)
• Dropping Anchor and Spherical Harmonics for Sparse-view Gaussian Splatting [31.833331215016475]
  我々は,新しいアンカーベースDropout戦略であるDropAnSH-GSを提案する。 提案手法は,特定のガウスをアンカーとしてランダムに選択し,空間的近傍を同時に除去する。 我々は、高次SHをランダムに下降させ、低次SHの外観情報を集中させることにより、色属性へのドロップアウトを拡大する。
  論文  参考訳（メタデータ） (2026-02-24T14:11:56Z)
• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている 本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。 提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
  論文  参考訳（メタデータ） (2025-08-07T01:42:22Z)
• 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)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)

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。