論文の概要: LEGS: Laplacian-Enhanced Gaussian Splatting with a Nonlinear Weighted Loss
- arxiv url: http://arxiv.org/abs/2606.07932v1
- Date: Sat, 06 Jun 2026 01:50:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.543672
- Title: LEGS: Laplacian-Enhanced Gaussian Splatting with a Nonlinear Weighted Loss
- Title（参考訳）: LEGS: 非線形重み付き損失を有するラプラシアン強化ガウス鋳型
- Authors: Yongfei Guo, Qizhou Huo, Xuan Sun, Yuanhao Gong,
- Abstract要約: LEGSは、非線形重み付き損失を有するラプラシアン強化ガウスめっき法である。
LEGSは3DGSで最大1.68dB,EGGSで最大0.52dBのピーク信号対雑音比(PSNR)を改善した。
- 参考スコア（独自算出の注目度）: 1.3839838362844084
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 3D Gaussian Splatting (3DGS) has become an efficient explicit representation for radiance field reconstruction and real-time novel view synthesis. However, its standard photometric loss treats flat and structure-rich regions similarly, which may limit the recovery of sharp contours and fine details. Edge-Guided Gaussian Splatting (EGGS) improves structure awareness through edge-guided weighting, but mainly relies on first-order gradient responses and linear weighting. In this paper, we propose LEGS, a Laplacian-Enhanced Gaussian Splatting method with a nonlinearly weighted loss. LEGS replaces first-order gradient guidance with second-order Laplacian structural guidance and maps the normalized Laplacian response into pixel-wise weights through nonlinear response-to-weight functions. The proposed loss improves structure-aware Gaussian optimization while keeping the original 3DGS rendering pipeline unchanged. Experiments on the full Tanks\&Temples and Mip-NeRF360 datasets show that LEGS improves peak signal-to-noise ratio (PSNR) by up to 1.68 dB over 3DGS and up to 0.52 dB over EGGS. Incorporating the proposed second-order nonlinear weighting strategy into FastGS and FasterGS further improves PSNR by up to 1.69 dB, demonstrating its effectiveness as a general loss-level extension for Gaussian Splatting pipelines with potential applications in AR/VR, immersive visualization, and real-time 3D content generation.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は、放射場再構成とリアルタイムな新規ビュー合成のための効率的な明示的表現となっている。
しかし、標準の測光損失も同様に平坦で構造に富んだ領域を扱い、鋭い輪郭と細部が回復することを制限できる。
エッジガイド型ガウス散乱(EGGS)は、エッジ誘導重み付けによる構造認識を改善するが、主に1次勾配応答と線形重み付けに依存する。
本稿では,非線型重み付き損失を有するラプラシアン拡張ガウス平板法LEGSを提案する。
LEGSは1階勾配誘導を2階ラプラシアン構造誘導に置き換え、非線形応答-重み関数を通して正規化されたラプラシアン応答をピクセル単位の重みにマッピングする。
提案した損失は、元の3DGSレンダリングパイプラインを変更せずに、構造を意識したガウス最適化を改善する。
T&TemplesとMip-NeRF360の全データセットの実験では、LEGSは3DGSで最大1.68dB、EGGSで最大0.52dBのピーク信号対雑音比(PSNR)を改善している。
提案した2階非線形重み付け戦略をFastGSとFasterGSに組み込むことで、PSNRを最大1.69dB向上させ、AR/VR、没入型ビジュアライゼーション、リアルタイム3Dコンテンツ生成などの可能性を持つガウススティングパイプラインの一般的な損失レベル拡張としての有効性を示す。
関連論文リスト
- KC-3DGS: Kurtosis-Constrained Gaussian Splatting for High-Fidelity View Synthesis [28.10448224660243]
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。
論文 参考訳（メタデータ） (2026-06-02T04:04:24Z) - 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) - Radioactive 3D Gaussian Ray Tracing for Tomographic Reconstruction [10.822437634828303]
R2-Gaussianは3DGSパラダイムをトモグラフィー再構成に拡張した。
3次元ガウス線トレーシングに基づくトモグラフィ再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T06:53:42Z) - Gaussian Herding across Pens: An Optimal Transport Perspective on Global Gaussian Reduction for 3DGS [13.03299802566674]
3DGSは、放射場レンダリングの強力な技術として登場したが、通常は数百万の冗長なガウスプリミティブを必要とする。
本稿では,グローバルなガウス混合還元として3DGSのコンパクト化を推し進める,新しい最適輸送視点を提案する。
本手法は,バニラおよび加速3DGSパイプラインの任意の段階に適用可能であり,軽量なニューラルレンダリングへの効率的かつ非依存的な経路を提供する。
論文 参考訳（メタデータ） (2025-06-11T09:04:44Z) - DyGASR: Dynamic Generalized Exponential Splatting with Surface Alignment for Accelerated 3D Mesh Reconstruction [1.2891210250935148]
従来の3次元ガウス関数の代わりに一般化指数関数を用いて粒子数を減少させるDyGASRを提案する。
また,GSR(Generalized Surface Regularization)を導入し,各点雲の最小のスケーリングベクトルをゼロにする。
提案手法は既存の3DGSベースのメッシュ再構成手法を超越し,25%の高速化,30%のメモリ使用量の削減を実現している。
論文 参考訳（メタデータ） (2024-11-14T03:19:57Z) - GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを精密な光輸送モデリングのための明確な幾何学的ガイダンスで拡張する新しいアプローチである。
最適化可能なメッシュから表面積の3DGSを微分的に構築することにより、明確に定義されたメッシュ正規と不透明なメッシュ表面を利用する。
この強化により、3DGSの効率性と高品質なレンダリング能力を保ちながら、正確な材料分解が保証される。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
任意のスケールでガウスを適応させる統一最適化法を提案する。
ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。
本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
論文 参考訳（メタデータ） (2024-08-12T16:49:22Z) - GaussianPro: 3D Gaussian Splatting with Progressive Propagation [49.918797726059545]
3DGSはStructure-from-Motion (SfM)技術によって生成されるポイントクラウドに大きく依存している。
本稿では, 3次元ガウスの密度化を導くために, プログレッシブ・プログレッシブ・プログレッシブ・ストラテジーを適用した新しい手法を提案する。
提案手法はデータセット上の3DGSを大幅に上回り,PSNRでは1.15dBの改善が見られた。
論文 参考訳（メタデータ） (2024-02-22T16:00:20Z) - GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。
周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
論文 参考訳（メタデータ） (2024-02-15T17:32:50Z)
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。