論文の概要: MLP Splatting: Object-Centric Neural Fields

• arxiv url: http://arxiv.org/abs/2606.03877v1
• Date: Tue, 02 Jun 2026 16:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.173852
• Title: MLP Splatting: Object-Centric Neural Fields
• Title（参考訳）: MLPスプラッティング:物体中心神経場
• Authors: Shinjeong Kim, Yuzhou Cheng, Xin Kong, Paul H. J. Kelly, Andrew J. Davison,
• Abstract要約: 3D表現はシーンのレンダリング、理解、相互作用の基本である。 近年の3次元ガウス散乱やニューラルレイディアンス場のようなアプローチは、印象的なフォトリアリスティックなノベルビュー合成を実現している。 数個の表現的光場プリミティブによるシーン分解が可能なシーン分割法であるシーン分割を提案する。
• 参考スコア（独自算出の注目度）: 24.860735567401687
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 3D representations are fundamental to scene rendering, understanding, and interaction. Recent approaches, such as 3D Gaussian Splatting and Neural Radiance Fields, achieve impressive photorealistic novel-view synthesis, but lack the ability to easily decompose scene elements into a few primitives, requiring additional segmentation or grouping for object-level manipulation. We present MLP-Splatting, a method that enables scene decomposition via a few expressive light-field primitives while providing photorealistic novel-view synthesis. MLP-Splatting models each primitive as an independent compact MLP with localized spatial support that predicts radiance and opacity. In contrast to low-level Gaussian primitives or a single global radiance field, our neural primitives provide greater expressive capacity while remaining spatially localized. Rendering is performed through efficient sparse volumetric compositing over ray-primitive interactions. Our primitives are supervised using RGB supervision alone, which yields primitives that represent local scene regions often corresponding to objects or object parts, enabling interactive object-level editing without segmentation masks by selecting a handful of primitives. Our method, augmented with optional semantic feature distillation, enables open-vocabulary scene interaction and open-set instant segmentation. Compared to state-of-the-art methods, we achieve substantially lower memory usage (1/15$\times$) and faster rendering (3$\times$), as we show in our experiments compared to semantic 3DGS methods. Project Page: https://shinjeongkim.com/mlp-splatting
• Abstract（参考訳）: 3D表現はシーンのレンダリング、理解、相互作用の基本である。 近年の3Dガウス・スプラッティングやニューラル・ラディアンス・フィールドのようなアプローチは、印象的なフォトリアリスティックなノベルビュー合成を実現するが、シーン要素をいくつかのプリミティブに分解しやすく、追加のセグメンテーションやオブジェクトレベルの操作のためのグループ化を必要としない。 MLP-Splattingは,光リアリスティックなノベルビュー合成を提供しつつ,いくつかの表現的光場プリミティブによるシーン分解を可能にする手法である。 MLP-Splattingは、それぞれのプリミティブを、放射率と不透明度を予測する局所的な空間サポートを備えた独立したコンパクトMPPとしてモデル化する。 低レベルのガウス原始体や1つの大域的放射場とは対照的に、我々の神経原始体は空間的局所化を保ちながら、より豊かな表現能力を提供する。 レンダリングは、レイプリミティブ相互作用による効率的なスパース体積合成によって行われる。 我々のプリミティブは、RGBの監督だけで管理されており、オブジェクトやオブジェクトの部分に対応することが多いローカルシーン領域を表すプリミティブを生成し、いくつかのプリミティブを選択することで、セグメンテーションマスクなしでインタラクティブなオブジェクトレベルの編集を可能にする。 提案手法は,任意の意味的特徴蒸留により拡張され,オープン・ボキャブラリ・シーン・インタラクションとオープン・セット・インスタントセグメンテーションを実現する。 現状の手法と比較してメモリ使用量(1/15$\times$)とレンダリングの高速化(3$\times$)は,セマンティック3DGS法と比較してかなり低い。 Project Page: https://shinjeongkim.com/mlp-splatting

関連論文リスト

• NVGS: Neural Visibility for Occlusion Culling in 3D Gaussian Splatting [0.6516563485069087]
  3D Gaussiantingは、多数のプリミティブを含むシーンのレンダリングを高速化するために、フラストタルカリングと詳細戦略を利用することができる。 本研究では,シーン内の資産のインスタンス間で共有される小さなモデルを用いて,すべてのガウスの視点依存可視関数を訓練されたモデルで学習する手法を提案する。 レンダリングの前にガウスアンに問い合わせることで、レンダリング中に隠されたプリミティブを破棄することができる。
  論文  参考訳（メタデータ） (2025-11-24T15:11:12Z)
• Splat the Net: Radiance Fields with Splattable Neural Primitives [64.84677516748998]
  安定なニューラルプリミティブは、プリミティブベースのスプレイティングの効率でニューラルモデルの表現性を調整します。 私たちの表現は、高価な光線マーチングを必要とせずに、ビュー線に沿った統合をサポートします。
  論文  参考訳（メタデータ） (2025-10-09T17:31:11Z)
• OpenSplat3D: Open-Vocabulary 3D Instance Segmentation using Gaussian Splatting [52.40697058096931]
  3D Gaussian Splatting (3DGS)は神経シーン再構築の強力な表現として登場した。 我々は,OpenSplat3Dと呼ばれる手動ラベリングを必要としないオープン語彙3Dインスタンスセグメンテーションのアプローチを提案する。 LERF-mask と LERF-OVS と ScanNet++ の完全な検証セットについて,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-09T12:37:15Z)
• LinPrim: Linear Primitives for Differentiable Volumetric Rendering [51.56484100374058]
  線形プリミティブに基づく2つの新しいシーン表現を導入する。 我々はGPU上で効率的に動作する異なるオクタライザを提案する。 我々は最先端の手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-01-27T18:49:38Z)
• DeSplat: Decomposed Gaussian Splatting for Distractor-Free Rendering [18.72451738333928]
  DeSplatは、ガウスプリミティブのボリュームレンダリングに基づいて、気晴らしと静的なシーン要素を純粋に分離する新しい方法である。 本稿では,3つのベンチマークデータセットに対してDeSplatの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-29T15:00:38Z)
• Volumetric Surfaces: Representing Fuzzy Geometries with Layered Meshes [59.17785932398617]
  高品質なビュー合成はボリュームレンダリング、スプレイティング、サーフェスレンダリングに依存している。 実時間ビュー合成のための新しい表現として,サンプリング位置の個数が小さく,有界であることを示す。 我々は、オブジェクトを半透明な多層メッシュとして固定順序で表現することで、これを実現する。
  論文  参考訳（メタデータ） (2024-09-04T07:18:26Z)
• GenLayNeRF: Generalizable Layered Representations with 3D Model Alignment for Multi-Human View Synthesis [1.6574413179773757]
  GenLayNeRFは、複数の被写体の自由視点レンダリングのための一般化可能な階層化シーン表現である。 シーンを3Dボディーメッシュに固定されたマルチヒューマン層に分割する。 我々は、相関関係と融合関係にある点的画像整列と人間的アンチョレッド特徴を抽出する。
  論文  参考訳（メタデータ） (2023-09-20T20:37:31Z)
• Panoptic Neural Fields: A Semantic Object-Aware Neural Scene Representation [28.387277178967516]
  本稿では,物体認識型ニューラルシーン表現であるPNFについて述べる。 PNFはシーンをオブジェクト(モノ)とバックグラウンド(ストフ)のセットに分解する このモデルは,新規なビュー,2次元パノラマ分割,3次元シーン編集,マルチビュー深度予測など,いくつかのタスクに効果的に利用することができる。
  論文  参考訳（メタデータ） (2022-05-09T14:34:55Z)

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。