論文の概要: Learning View-Dependent Splatting Kernels
- arxiv url: http://arxiv.org/abs/2605.25426v1
- Date: Mon, 25 May 2026 04:57:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.293484
- Title: Learning View-Dependent Splatting Kernels
- Title（参考訳）: ビュー依存型スプレイティングカーネルの学習
- Authors: Huakeng Ding, Zhanpeng Liu, Fan Pei, Kun Zhou, Hongzhi Wu,
- Abstract要約: 我々は、スティングベースパイプラインでビュー依存の2Dカーネルを学習し、再構築品質と表現効率を改善する。
我々は2次元スプラッティングと画像表現のための一般的な2次元カーネルを学習するアイデアを拡張した。
- 参考スコア（独自算出の注目度）: 19.881166133057764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a differentiable framework to automatically learn view-dependent 2D kernels in a splatting-based pipeline to improve reconstruction quality and representation efficiency for novel 3D view synthesis. Our volumetric primitive is defined as a bounding ellipsoid and a 3D-kernel latent vector. We first learn a projection network to output a 2D-kernel latent, taking the attributes of the ellipsoid and the 3D-kernel latent as input. Next, the result is sent to a decoder to produce a radially symmetric 2D kernel in terms of Mahalanobis distance, bounded by the projected ellipsoid. The neural networks along with per-primitive attributes are jointly optimized. The effectiveness of our approach is demonstrated on standard benchmarks, comparing favorably against state-of-the-art techniques on both analytical and learned kernels. Finally, we extend the idea to learn general 2D kernels for 2D splatting as well as image representation.
- Abstract（参考訳）: 本稿では,新しい3次元ビュー合成のための再構成品質と表現効率を向上させるため,スティングベースパイプラインでビュー依存の2Dカーネルを自動的に学習する微分可能なフレームワークを提案する。
我々の容積プリミティブは有界楕円体と3次元カーネル潜在ベクトルとして定義される。
まずプロジェクションネットワークを学習し、楕円体と3Dカーネルの属性を入力として、2Dカーネル潜時を出力する。
次に、結果はデコーダに送られ、射影楕円体が有界なマハラノビス距離で放射対称な2次元核を生成する。
ニューラルネットワークとプリミティブ属性は共同で最適化される。
提案手法の有効性を標準ベンチマークで実証し,解析的および学習的カーネルの最先端技術と比較した。
最後に、2次元スプラッティングと画像表現のための一般的な2次元カーネルを学習するアイデアを拡張した。
関連論文リスト
- GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - Feature Visualization in 3D Convolutional Neural Networks [1.3154296174423619]
本稿では, 3次元畳み込みカーネルのテクスチャや動きの好みを乱す新しい可視化手法を提案する。
いくつかの事前訓練されたモデルの様々な深さでカーネルを視覚化するアプローチを適用すると、その結果の可視化(特にモーションキャプチャー)が、3Dカーネルによって符号化された好みの動的パターンを明確にする。
論文 参考訳（メタデータ） (2025-05-12T09:31:31Z) - DeCoTR: Enhancing Depth Completion with 2D and 3D Attentions [41.55908366474901]
本研究では,2次元と3次元の両方の注意を生かし,高精度な深度補完を実現する手法を提案する。
提案手法であるDeCoTRを,確立した深度補完ベンチマークで評価した。
論文 参考訳（メタデータ） (2024-03-18T19:22:55Z) - Unleash the Potential of Image Branch for Cross-modal 3D Object
Detection [67.94357336206136]
画像分岐のポテンシャルを2つの側面から解き放つことを目的として,新しい3Dオブジェクト検出器UPIDetを提案する。
まず、UPIDetは正規化された局所座標写像推定と呼ばれる新しい2次元補助タスクを導入する。
第2に,イメージブランチのトレーニング目標から逆転する勾配によって,ポイントクラウドバックボーンの表現能力を向上できることを見出した。
論文 参考訳（メタデータ） (2023-01-22T08:26:58Z) - Improving neural implicit surfaces geometry with patch warping [12.106051690920266]
これはニューラルネットワークによる高周波テクスチャの学習と描画が難しいことによるものだ、と私たちは主張する。
我々は、異なる視点で直接光一貫性項を標準のニューラルレンダリング最適化に追加することを提案する。
我々は、標準的なDTUおよびEPFLベンチマークでNeuralWarpと呼ばれるアプローチを評価し、両方のデータセットにおいて、教師なしの暗黙的表面再構成の状態を20%以上向上させることを示す。
論文 参考訳（メタデータ） (2021-12-17T17:43:50Z) - Learning Joint 2D-3D Representations for Depth Completion [90.62843376586216]
2Dおよび3Dの関節の特徴を抽出することを学ぶシンプルで効果的なニューラルネットワークブロックを設計します。
具体的には、画像画素に2D畳み込みと3D点に連続畳み込みを施した2つのドメイン固有のサブネットワークから構成される。
論文 参考訳（メタデータ） (2020-12-22T22:58:29Z)
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。