Fugu-MT 論文翻訳(概要): KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis

論文の概要: KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis

arxiv url: http://arxiv.org/abs/2606.03120v1
Date: Tue, 02 Jun 2026 04:04:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 10:57:21.720533
Title: KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis
Title（参考訳）: KC-3DGS:Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis
Authors: Vivekjyoti Banerjee, Abhay Yadav, Rama Chellappa, Aniket Roy,
Abstract要約: 3D Gaussian Splatting(3DGS)は、シーンを差別化によって最適化された異方性ガウスのコレクションとして表現することで、リアルタイムなノベルビュー合成を可能にする。標準画素空間損失(L1, SSIM)は、再構成エラーのみを集約し、周波数スケールでエラーを再分配する最適化を可能にする。我々は,自然画像統計に基づくウェーブレットドメインによる3DGSトレーニングを強化するKC-3DGSを提案する。
参考スコア（独自算出の注目度）: 28.10448224660243
License: http://creativecommons.org/licenses/by/4.0/
Abstract: 3D Gaussian Splatting (3DGS) enables real-time novel view synthesis by representing scenes as collections of anisotropic Gaussians optimized via differentiable rasterization. However, standard pixel-space losses (L1, SSIM) constrain only aggregate reconstruction error, permitting the optimization to redistribute error across frequency scales. This leads to oversmoothing and structural artifacts, particularly in sparse-view settings where supervision is limited. We propose KC-3DGS, which augments 3DGS training with wavelet-domain supervision based on natural image statistics. Our method combines three components: (1) a multi-scale wavelet coefficient alignment loss that explicitly penalizes missing high-frequency detail, (2) a supervised kurtosis concentration loss that encourages rendered images to match the heavy-tailed frequency statistics of ground-truth images, and (3) a cross-band covariance penalty that promotes frequency specialization. We provide theoretical analysis showing that pixel-space losses admit a family of indistinguishable perturbations under wavelet redistribution, and that our joint objective excludes degenerate solutions. Experiments across MipNeRF360, Tanks&Temples, MVImgNet, DeepBlending, and WRIVA-ULTRRA demonstrate consistent improvements in perceptual quality. On the challenging WRIVA-ULTRRA outdoor dataset, KC-3DGS achieves a 9.48% improvement in DreamSim while also improving PSNR, SSIM, and LPIPS. In sparse-view settings with only 12 training images, our method improves PSNR by up to 0.5 dB on MipNeRF360 while maintaining perceptual quality. The approach integrates seamlessly into existing 3DGS pipelines as a plug-and-play regularization strategy.
Abstract（参考訳）: 3D Gaussian Splatting (3DGS)は、シーンを異なるラスタ化により最適化された異方性ガウスのコレクションとして表現することで、リアルタイムのノベルビュー合成を可能にする。しかし、標準的なピクセル空間損失(L1, SSIM)は、再構成エラーのみを集約し、周波数スケールでエラーを再分配する最適化を可能にする。これは、特に監督が限られているスパースビュー設定において、過度にスムース化や構造的アーティファクトにつながる。我々は,自然画像統計に基づくウェーブレットドメインによる3DGSトレーニングを強化するKC-3DGSを提案する。提案手法は,(1)高頻度の詳細の欠落を明示するマルチスケールウェーブレット係数のアライメント損失,(2)高精細画像の重み付き周波数統計に一致するように画像のレンダリングを促す教師付きクルトシス濃度損失,(3)周波数特殊化を促進するクロスバンド共分散ペナルティの3つの成分を組み合わせた。本稿では,ウェーブレット再分配による不明瞭な摂動の族を許容する画素空間損失の理論的解析を行い,この連成目的が退化解を除外することを示した。 MipNeRF360, Tanks&Temples, MVImgNet, DeepBlending, WRIVA-ULTRRA での実験では知覚品質が一貫した改善が見られた。挑戦的なWRIVA-ULTRRAの屋外データセットでは、KC-3DGSはDreamSimを9.48%改善し、PSNR、SSIM、LPIPSも改善した。トレーニング画像が12枚しかないスパースビューでは, 知覚品質を維持しつつ, MipNeRF360上で最大0.5dBのPSNRを改善する。このアプローチは、プラグインとプレイの正規化戦略として、既存の3DGSパイプラインにシームレスに統合される。

関連論文リスト

PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
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。
論文参考訳（メタデータ） (2026-05-12T13:00:39Z)
GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。大量のガウス点があるため、高いメモリコストに制約される。コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文参考訳（メタデータ） (2026-04-02T10:41:51Z)
Spectral Defense Against Resource-Targeting Attack in 3D Gaussian Splatting [63.29941651174379]
3D Gaussian Splatting (3DGS)は高品質なレンダリングを提供するが、Gaussian表現は新しい攻撃面を公開する。この攻撃は訓練画像に毒を与え、資源の枯渇を引き起こすためにガウスの成長を過度に誘発する。ガウスおよびイメージフィールドにおけるtextbfSpectral Defense を提案する。
論文参考訳（メタデータ） (2026-03-13T08:56:49Z)
ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文参考訳（メタデータ） (2026-02-10T20:44:43Z)
GR-Gaussian: Graph-Based Radiative Gaussian Splatting for Sparse-View CT Reconstruction [1.2506009236700528]
我々は,CT再構成のためのグラフベース3次元ガウス平滑化フレームワークGR-Gaussianを提案する。 GR-Gaussianは針状アーティファクトを抑制し、スパースビュー条件下での再構成精度を向上させる。 X-3Dおよび実世界のデータセットに関する実験は、GR-Gaussianの有効性を検証する。
論文参考訳（メタデータ） (2025-08-04T13:31:42Z)
Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文参考訳（メタデータ） (2025-06-15T19:12:37Z)
Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文参考訳（メタデータ） (2025-05-08T18:41:38Z)
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)

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。