論文の概要: VisDom: Sparse Novel View Synthesis with Visible Domain Constraint

• arxiv url: http://arxiv.org/abs/2606.20531v1
• Date: Thu, 18 Jun 2026 17:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.034934
• Title: VisDom: Sparse Novel View Synthesis with Visible Domain Constraint
• Title（参考訳）: VisDom: Visible Domain Constraint を用いたスパースな新しいビュー合成
• Authors: Mariia Gladkova*, Tarun Yenamandra*, Edmond Boyer, Robert Maier, Tony Tung, Daniel Cremers,
• Abstract要約: 学習不要な幾何学的制約であるVisDomを導入し、最小のマルチビュー視認性要件を強制することにより、古典的な彫刻に基づく視覚的包絡の再構築を促進する。 スパースビューNVSにおける一貫した改善を示し、4つの入力画像から高品質なオブジェクト中心再構成を可能にする。
• 参考スコア（独自算出の注目度）: 45.58944186987591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse novel view synthesis (NVS) remains challenging due to the ambiguity of recovering 3D geometry from few input views. While NeRF- and Gaussian Splatting (GS)-based methods perform well with dense supervision, they often overfit in sparse settings, producing floating artifacts and inconsistent geometry. Silhouette consistency is commonly used as a regularizer, but it remains insufficient, as silhouette-consistent regions can extend beyond the true object geometry. We introduce VisDom, a learning-free geometric constraint that augments classical carving-based visual hull reconstruction by enforcing a minimum multi-view visibility requirement. Specifically, we define a visible domain as the subset of 3D space observed by at least $K$ views and use it as an additional filtering criterion on top of standard silhouette-based reconstruction. This provides a stronger spatial prior in sparse-view settings. We integrate VisDom into both implicit (NeRF) and explicit (GS) pipelines by restricting volumetric sampling and guiding Gaussian placement during optimization. Experiments on three challenging datasets show consistent improvements in sparse-view NVS, enabling high-quality object-centric reconstruction from as few as four input images. Our method is domain-agnostic, requires only silhouettes, and introduces no learned parameters, making it a simple complement to existing approaches. Applying VisDom on top of GaussianObject further improves performance on Omni3D and MipNeRF360, while matching or surpassing it at 22 $\times$ lower training cost.
• Abstract（参考訳）: スパース・ノベル・ビュー・シンセシス(NVS)は、少ない入力ビューから3次元幾何学を復元するあいまいさのため、依然として困難である。 NeRF-およびガウシアン・スプラッティング(GS)ベースの手法は、密集した監視によく適合するが、しばしば細かな設定で過度に適合し、浮き彫りの人工物や不整合幾何学を生成する。 シルエット整合性は正規化子として一般的に使用されるが、シルエット整合性領域は真の対象幾何学を超えて拡張できるため、依然として不十分である。 学習不要な幾何学的制約であるVisDomを導入し、最小のマルチビュー視認性要件を強制することにより、古典的な彫刻に基づく視覚的包絡の再構築を促進する。 具体的には、可視領域を、少なくとも$K$ビューで観測された3D空間のサブセットとして定義し、標準シルエットベースの再構成の上に追加のフィルタリング基準として使用する。 これはスパースビュー設定においてより強い空間的事前を提供する。 我々はVosDomを暗黙的(NeRF)と明示的(GS)の両方のパイプラインに統合し、ボリュームサンプリングを制限し、最適化中のガウス配置を誘導する。 3つの挑戦的なデータセットの実験では、スパースビューのNVSが一貫した改善を示し、4つの入力イメージから高品質なオブジェクト中心の再構築を可能にする。 提案手法はドメインに依存しず,シルエットのみを必要とし,学習パラメータを導入せず,既存のアプローチを補完する。 GaussianObject上にVisDomを適用することで、Omni3DとMipNeRF360のパフォーマンスがさらに向上すると同時に、22$\timesのトレーニングコストが低下する。

関連論文リスト

• Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes [7.253732091582086]
  VAD-GSは3DGSフレームワークで、挑戦的な都市景観の幾何学的復元に適したものだ。 本手法は, ボクセルに基づく可視性推論により, 信頼性の低い幾何学構造を同定する。 多様性を意識したビュー選択を通じて情報的支援ビューを選択し、パッチマッチングベースのステレオ再構築によって行方不明構造を復元する。
  論文  参考訳（メタデータ） (2025-10-10T13:22:12Z)
• D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
  3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。 疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。 本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:49Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• 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)
• LoopSparseGS: Loop Based Sparse-View Friendly Gaussian Splatting [18.682864169561498]
  LoopSparseGSは、疎結合なビュー合成タスクのためのループベースの3DGSフレームワークである。 Sparse-Friended Smpling (SFS) 戦略を導入し,ガウス楕円体を過剰に処理し,画素誤差が大きくなった。 4つのデータセットの実験により、LoopSparseGSはスパース・インプット・ノベルビューの合成において既存の最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-01T03:26:50Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)

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。