論文の概要: Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field
- arxiv url: http://arxiv.org/abs/2605.30342v1
- Date: Thu, 28 May 2026 17:59:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.755215
- Title: Uncertainty-driven 3D Gaussian Splatting Active Mapping via Anisotropic Visibility Field
- Title（参考訳）: 異方性可視場を用いた不確かさ駆動型3次元ガウス型アクティブマッピング
- Authors: Shangjie Xue, Jesse Dill, Dhruv Ahuja, Frank Dellaert, Panagiotis Tsiotras, Danfei Xu,
- Abstract要約: 本研究では,3DGSにおける可視界の定量化を原則とし,各粒子の非等方的可視性として定義し,球面高調波を用いて表現する手法を提案する。
得られた可視界はベイズネットワークベースの不確実性認識3DGSizerに統合され、合成ビューに対するリアルタイム(200 FPS)不確実性定量化を可能にする。
- 参考スコア（独自算出の注目度）: 21.49461762542315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Gaussian Splatting Anisotropic Visibility Field (GAVIS), a novel framework for uncertainty quantification and active mapping in 3DGS. Our key insight is that regions unseen from the training views yield unreliable predictions from the 3DGS. To address this, we introduce a principled and efficient method for quantifying the visibility field in 3DGS, defined as the anisotropic visibility of each particle with respect to the training views, and represented using spherical harmonics. The resulting visibility field is integrated into a Bayesian Network-based uncertainty-aware 3DGS rasterizer, enabling real-time (200 FPS) uncertainty quantification for synthesized views. Active mapping is further performed within a maximum information gain framework building on this formulation. Extensive experiments across diverse environments demonstrate that GAVIS consistently and significantly outperforms prior approaches in both accuracy and efficiency. Moreover, beyond standalone use, our method can be applied post-hoc to improve the performance of existing approaches.
- Abstract（参考訳）: 本稿では3DGSにおける不確実性定量化とアクティブマッピングのための新しいフレームワークであるGAVIS(Gaussian Splatting Anisotropic Visibility Field)を提案する。
私たちの重要な洞察は、トレーニングビューから見えない領域が、3DGSから信頼できない予測をもたらすということです。
そこで本研究では,3DGSにおける可視界の定量化を原則として,各粒子の非等方的可視性として定義し,球面高調波を用いて表現する手法を提案する。
得られた可視界はベイズネットワークベースの不確実性対応3DGSラスタライザに統合され、合成ビューのリアルタイム(200 FPS)不確実性定量化を可能にする。
アクティブマッピングは、この定式化に基づいて構築された最大情報ゲインフレームワーク内でさらに実行される。
多様な環境にまたがる大規模な実験により、GAVISは精度と効率の両面で従来のアプローチよりも一貫して、著しく優れていたことが示される。
さらに,本手法は,スタンドアローンでの使用以外にも,既存の手法の性能向上のためにポストホックで適用することができる。
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) - Predictive Photometric Uncertainty in Gaussian Splatting for Novel View Synthesis [9.936999820242244]
本稿では,画素単位,ビュー依存型予測不確実性推定のための軽量なプラグアンドプレイフレームワークを提案する。
本手法は,復元残差に対するベイズ正規化線形最小二乗最適化として不確かさを定式化する。
このアーキテクチャに依存しないアプローチは、下層のシーン表現を変更することなく、プリミティブごとの不確実性チャネルを抽出する。
論文 参考訳（メタデータ） (2026-03-24T04:21:42Z) - 3DGS-HPC: Distractor-free 3D Gaussian Splatting with Hybrid Patch-wise Classification [80.43401018217367]
3D Gaussian Splatting (3DGS) は新規なビュー合成と3Dシーン再構成において顕著な性能を示した。
その品質は、移動物体や様々な影など、過渡的な気晴らしによって、現実世界の環境において劣化することが多い。
既存の方法は、事前訓練された視覚モデルから抽出されたセマンティックな手がかりに頼り、これらの障害を識別し、抑制する。
本稿では,2つの相補的原理を組み合わせることで,これらの制約を回避するフレームワークである3DGS-HPCを提案する。
論文 参考訳（メタデータ） (2026-03-08T11:16:30Z) - OUGS: Active View Selection via Object-aware Uncertainty Estimation in 3DGS [14.124481717283544]
OUGSは3DGSの原則的、物理的に根拠のある不確実性定式化である。
我々の中心となる革新は、3Dガウス原始体の明示的な物理的パラメータから直接不確実性を引き出すことである。
この基盤により、セマンティックセグメンテーションマスクをシームレスに統合し、ターゲットとするオブジェクト認識の不確実性スコアを生成することができる。
論文 参考訳（メタデータ） (2025-11-12T15:08:46Z) - Enhancing 3D Gaze Estimation in the Wild using Weak Supervision with Gaze Following Labels [10.827081942898506]
我々は,新しい自己学習弱弱視線推定フレームワーク(ST-WSGE)を紹介する。
画像とビデオのデータセットから静的および動的視線情報を同時に学習できるモダリティに依存しないアーキテクチャであるGaze Transformer (GaT)を提案する。
3次元映像データセットと2次元視線目標ラベルを追従タスクから組み合わせることで,本手法は以下の重要な貢献を達成できる。
論文 参考訳（メタデータ） (2025-02-27T16:35:25Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - PEP-GS: Perceptually-Enhanced Precise Structured 3D Gaussians for View-Adaptive Rendering [3.1006820631993515]
3D Gaussian Splatting (3D-GS)はリアルタイムで高品質な3Dシーンレンダリングにおいて大きな成功を収めた。
PEP-GSは、不透明度、色、共分散を含むガウス属性を動的に予測する知覚的に強化されたフレームワークである。
我々はPEP-GSが最先端の手法、特にビュー依存効果や細かな詳細を含む挑戦的なシナリオにおいて優れていることを示す。
論文 参考訳（メタデータ） (2024-11-08T17:42:02Z) - PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。
私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-10-14T16:06:59Z) - CLIP-GS: CLIP-Informed Gaussian Splatting for View-Consistent 3D Indoor Semantic Understanding [17.440124130814166]
室内シーンのオープンな3Dセマンティック理解のためのCLIPモデルを用いた3Dガウススティング(3DGS)が注目されている。
提案するセマンティック属性コンパクト性(SAC)と3Dコヒーレント正規化(3DCR)を用いて、3次元屋内シーンのコヒーレントな意味理解を効率的に実現するCLIP-GSを提案する。
ScanNetとReplicaのデータセット上で,mIoUの21.20%と13.05%の改善を実現し,既存の最先端手法を著しく抑制する。
論文 参考訳（メタデータ） (2024-04-22T15:01:32Z) - RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering
Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。
本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文 参考訳（メタデータ） (2023-12-19T03:39:56Z) - Volumetric Semantically Consistent 3D Panoptic Mapping [77.13446499924977]
非構造環境における自律エージェントに適したセマンティック3Dマップを生成することを目的としたオンライン2次元から3次元のセマンティック・インスタンスマッピングアルゴリズムを提案する。
マッピング中にセマンティック予測の信頼性を統合し、セマンティックおよびインスタンス一貫性のある3D領域を生成する新しい方法を導入する。
提案手法は,パブリックな大規模データセット上での最先端の精度を実現し,多くの広く使用されているメトリクスを改善した。
論文 参考訳（メタデータ） (2023-09-26T08:03:10Z)
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。