論文の概要: Denoising-GS: Gaussian Splatting with Spatial-aware Denoising

• arxiv url: http://arxiv.org/abs/2605.14880v1
• Date: Thu, 14 May 2026 14:24:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.871037
• Title: Denoising-GS: Gaussian Splatting with Spatial-aware Denoising
• Title（参考訳）: デノナイジング-GS:空間認識デノナイジングによるガウス的スプラッティング
• Authors: Qingyuan Zhou, Xinyi Liu, Weidong Yang, Ning Wang, Shuquan Ye, Ben Fei, Ying He, Wanli Ouyang,
• Abstract要約: 高忠実なノベルビュー合成(NVS)において、3Dガウススティング(3DGS)は顕著な成功を収めた 本稿では, 3DGS の最適化を原始的認知過程として定式化し, 新たな視点を導入する。 位置と空間構造を両立させることにより,プリミティブのコヒーレントなデノナイジングフレームワークであるDenoising-GSを提案する。 3つのベンチマークデータセットで実施された実験により、Denoising-GSは表現のコンパクト性を維持しながら、NVSの忠実度を一貫して向上することを示した。
• 参考スコア（独自算出の注目度）: 59.331050242447255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in 3D Gaussian Splatting (3DGS) have achieved remarkable success in high-fidelity Novel View Synthesis (NVS), yet the optimization process inevitably introduces noisy Gaussian primitives due to the sparse and incomplete initialization from Structure-from-Motion (SfM) point clouds. Most existing methods focus solely on adjusting the positions of primitives during optimization, while neglecting the underlying spatial structure. To this end, we introduce a new perspective by formulating the optimization of 3DGS as a primitive denoising process and propose Denoising-GS, a spatial-aware denoising framework for Gaussian primitives by taking both the positions and spatial structure into consideration. Specifically, we design an optimizer that preserves the spatial optimization flow of primitives, facilitating coherent and directed denoising rather than random perturbations. Building upon this, the Spatial Gradient-based Denoising strategy jointly considers the spatial supports of primitives to ensure gradient-consistent updates. Furthermore, the Uncertainty-based Denoising module estimates primitive-wise uncertainty to prune redundant or noisy primitives, while the Spatial Coherence Refinement strategy selectively splits primitives in sparse regions to maintain structural completeness. Experiments conducted on three benchmark datasets demonstrate that Denoising-GS consistently enhances NVS fidelity while maintaining representation compactness, achieving state-of-the-art performance across all benchmarks. Source code and models will be made publicly available.
• Abstract（参考訳）: 3Dガウススプラッティング(3DGS)の最近の進歩は、高忠実なノベルビュー合成(NVS)において顕著な成功を遂げているが、この最適化プロセスは、SfM(Structure-from-Motion)点雲からのスパースと不完全な初期化により、必然的にノイズの多いガウスプリミティブを導入している。 既存の手法の多くは、基礎となる空間構造を無視しながら、最適化中のプリミティブの位置を調整することにのみ焦点をあてている。 そこで本稿では, 3DGS の最適化を原始的認知過程として定式化し, 位置と空間構造を考慮し, ガウスプリミティブのための空間認識記述フレームワークである Denoising-GS を提案する。 具体的には、プリミティブの空間的最適化フローを保存する最適化器を設計し、ランダムな摂動よりもコヒーレントで有向な復調を容易にする。 これに基づいて、空間勾配に基づくDenoising戦略は、勾配に一貫性のある更新を保証するプリミティブの空間的サポートを共同で検討する。 さらに、不確実性に基づくDenoisingモジュールは、プリミティブな不確実性を推定し、冗長またはノイズの多いプリミティブをプーンし、空間コヒーレンスリファインメント戦略は、スパース領域のプリミティブを選択的に分割して構造的完全性を維持する。 3つのベンチマークデータセットで実施された実験によると、Denoising-GSは、表現のコンパクトさを維持しながら、NVSの忠実度を一貫して向上し、すべてのベンチマークで最先端のパフォーマンスを実現している。 ソースコードとモデルは公開されます。

関連論文リスト

• Gradient-Free Noise Optimization for Reward Alignment in Generative Models [52.42087778653147]
  ZeNOは、経路積分制御問題としてノイズ最適化を定式化する、勾配のないフレームワークである。 効果的な推論時間スケーリングを可能にし、多様なジェネレータと報酬関数間で強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-05-12T00:05:36Z)
• InpaintSLat: Inpainting Structured 3D Latents via Initial Noise Optimization [56.525920531932606]
  本稿では,初期雑音最適化に基づく3Dインペイントのためのトレーニング不要手法を提案する。 本稿では,構造化3次元潜伏拡散フレームワークの初期雑音を最適化する手法を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:45:25Z)
• Spatial-Spectral Adaptive Fidelity and Noise Prior Reduction Guided Hyperspectral Image Denoising [11.513560890234864]
  本稿では,雑音事前低減と空間-スペクトル適応忠実度項を統合する枠組みを提案する。 本枠組みでは,高速かつ堅牢な画素ワイドモデルと,代表係数の総変分正規化器を併用したモデルを構築した。 シミュレーションおよび実世界のデータセットの実験は、提案モデルが優れた騒音性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-14T11:27:23Z)
• Deep Equilibrium Convolutional Sparse Coding for Hyperspectral Image Denoising [16.405355853358202]
  ハイパースペクトル画像(HSI)はリモートセンシングにおいて重要な役割を果たすが、複雑なノイズパターンによって劣化することが多い。 分解されたHSIの物理的特性の確保は、強靭なHSIの分解に不可欠であり、深層展開法が台頭する。 本研究では,局所的空間スペクトル相関,非局所的空間自己相似性,大域的空間一貫性を統一するDeep Equilibrium Convolutional Sparse Coding(DECSC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-21T13:35:11Z)
• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• Uncertainty-Aware Normal-Guided Gaussian Splatting for Surface Reconstruction from Sparse Image Sequences [21.120659841877508]
  3D Gaussian Splatting (3DGS)は、新規なビュー合成において印象的なレンダリング性能を達成した。 3DGSパイプライン内の幾何的不確かさを定量化するために,不確かさを意識した正規誘導型ガウス格子(UNG-GS)を提案する。 UNG-GSはスパース配列と高密度シーケンスの両方で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-03-14T08:18:12Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)

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。