論文の概要: Leveraging NeRF-Rendered Images for 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2606.09034v1
• Date: Mon, 08 Jun 2026 05:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.706264
• Title: Leveraging NeRF-Rendered Images for 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス平滑化のためのNeRFレンダリング画像の活用
• Authors: Mizuki Morikawa, Yuta Shimizu, Chunyu Li, Yusuke Monno, Masatoshi Okutomi,
• Abstract要約: 3DGSにおけるNeRFレンダリング画像の活用を提案する。 具体的には,街路シーンをターゲットとし,事前訓練した街路固有のNeRF法を用いて,目標3DGS法のトレーニング画像を生成する。 我々の3DGSトレーニングでは、NeRFレンダリング画像は、ストリートレベルの入力ビューにおける一時的なオブジェクトを除去し、追加ビューとして鳥眼ビューを生成するために使用される。
• 参考スコア（独自算出の注目度）: 17.599612041085162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural radiance field (NeRF) and 3D Gaussian splatting (3DGS) are two mainstream approaches for novel view synthesis. They often show complementary performance, i.e., 3DGS demonstrating faster rendering speed and NeRF demonstrating higher rendering quality. Motivated by this, we propose leveraging NeRF-rendered images for 3DGS. Specifically, we target street scenes and utilize a pre-trained street-specific NeRF method to produce training images for a target 3DGS method. In our 3DGS training, NeRF-rendered images are used to remove transient objects in street-level input views and to generate bird's-eye views as additional views, inheriting the higher-quality rendering of NeRF into 3DGS. We further incorporate a diffusion-based image enhancement to improve the image quality of the additional views. Experimental results on one synthetic and two real datasets demonstrate that our proposed method improves street-scene rendering while preserving the speed of 3DGS and the quality of NeRF.
• Abstract（参考訳）: ニューラルレイディアンス場(NeRF)と3Dガウススプラッティング(3DGS)は、新規なビュー合成のための2つの主要なアプローチである。 それらはしばしば相補的な性能を示し、3DGSはより高速なレンダリング速度を示し、NeRFはより高いレンダリング品質を示す。 そこで我々は,NeRFレンダリング画像の3DGSへの活用を提案する。 具体的には,街路シーンをターゲットとし,事前訓練した街路固有のNeRF法を用いて,目標3DGS法のトレーニング画像を生成する。 筆者らの3DGSトレーニングでは、NeRFレンダリング画像を用いて、ストリートレベルの入力ビューにおける過渡的なオブジェクトを除去し、鳥眼ビューを付加ビューとして生成し、高品質なNeRFの3DGSへのレンダリングを継承する。 さらに、拡散に基づく画像強調機能を導入し、追加ビューの画質を向上させる。 1つの合成データと2つの実データを用いた実験結果から,提案手法は3DGSの速度とNeRFの品質を保ちながらストリートシーンのレンダリングを改善することが示された。

関連論文リスト

• NeRF Is a Valuable Assistant for 3D Gaussian Splatting [31.459790269584165]
  ニューラル放射場(NeRF)と3次元ガウス散乱(3DGS)を共同で最適化する新しいフレームワークNeRF-GSを紹介する。 我々は、3DGSの設計を再考し、その空間的特徴をNeRFと漸進的に整合させ、共有された3次元空間情報を通して、両方の表現を同一シーン内で最適化することを可能にする。 ベンチマークデータセットによる実験結果から,NeRF-GSは既存の手法を超越し,最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-07-31T09:43:31Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• WildGaussians: 3D Gaussian Splatting in the Wild [80.5209105383932]
  3DGSによる閉塞や外見の変化に対処する新しいアプローチであるWildGaussiansを紹介した。 我々はWildGaussianが3DGSとNeRFのベースラインを越えながら3DGSのリアルタイムレンダリング速度と一致していることを示す。
  論文  参考訳（メタデータ） (2024-07-11T12:41:32Z)
• Gaussian Splatting Decoder for 3D-aware Generative Adversarial Networks [10.207899254360374]
  NeRFをベースとしたGAN(Generative Adversarial Networks)は非常に高いレンダリング品質を示す。 Neural Radiance Fieldsによるレンダリングは、3Dアプリケーションに課題をもたらす。 我々は、NeRFベースの3D対応GANの高レンダリング品質と3DGSの柔軟性と計算上の利点を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-16T14:48:40Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations [111.08941206369508]
  我々は,NeRFトレーニングの正規化にロバストなデータ拡張のパワーを初めてもたらすAugmented NeRF(Aug-NeRF)を提案する。 提案手法では,最悪の場合の摂動を3段階のNeRFパイプラインにシームレスにブレンドする。 Aug-NeRFは、新しいビュー合成と基礎となる幾何再構成の両方において、NeRF性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2022-07-04T02:27:07Z)

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。