論文の概要: From Uncertainty to Stability and Fidelity: Guiding Sparse-View 3D Gaussian Splatting with Fisher Information

• arxiv url: http://arxiv.org/abs/2606.20842v1
• Date: Thu, 18 Jun 2026 18:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:34:32.223881
• Title: From Uncertainty to Stability and Fidelity: Guiding Sparse-View 3D Gaussian Splatting with Fisher Information
• Title（参考訳）: 不確実性から安定性・忠実性へ:漁業情報を用いたスパースビュー3次元ガウススプラッティングの誘導
• Authors: Junbao Zhou, Qingshan Xu, Yuan Zhou, Xiaolong Shen, Beier Zhu, Kesen Zhao, Yiming Zeng, Chen Bai, Cheng Lu, Hanwang Zhang,
• Abstract要約: 3D Gaussian Splatting (3DGS) は新規な視点合成のための有望な技術として登場している。 スパースビューのシナリオでは、3DGSは過度に適合する傾向があり、顕著なアーティファクトとレンダリング品質が低下する。 本稿では,幾何的事前利用と正規化を定量的に導くために,フィッシャー情報を利用したスパースビュー3DGSを提案する。
• 参考スコア（独自算出の注目度）: 55.09838774957981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a promising technique for novel view synthesis. However, 3DGS requires dense input views to achieve high-quality rendering. In sparse-view scenarios, 3DGS often prones to overfitting, resulting in noticeable artifacts and degraded rendering quality. Previous methods explore to address this issue by introducing additional priors (e.g. depth priors) or integrating regularization techniques (e.g. Dropout). However, these methods are often applied without principled guidance. In particular, prior-based augmentation typically samples novel viewpoints randomly, while Dropout-based regularization randomly removes Gaussians. The compounded randomness introduces uncertainty and instability, limiting the fidelity of novel view synthesis. In this paper, we propose a novel method for sparse-view 3DGS that incorporates Fisher Information to quantitatively guide the utilization of geometric priors and regularization. Specifically, our method comprises two key components: (1) Stereo augmentation with Fisher Information. By leveraging Fisher Information, we actively select most informative supporting views and use depth priors to curate reliable pseudo ground truths, which reduces randomness in augmentation and improves stability and rendering fidelity; (2) Uncertainty-aware regularization. We reduce the instability of Dropout-based regularization by using Fisher Information to quantitatively measure the uncertainty of each 3D Gaussian, and adaptively adjust the removal probability, leading to more stable and effective regularization. With these two components, our method effectively mitigates overfitting and improves the stability of optimization in sparse-view 3DGS, resulting in superior rendering fidelity. Extensive experiments show that our method achieves state-of-the-art performance in sparse-view novel view synthesis benchmarks.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は新規な視点合成のための有望な技術として登場している。 しかし、3DGSは高品質なレンダリングを実現するために高密度な入力ビューを必要とする。 スパースビューのシナリオでは、3DGSは過度に適合する傾向があり、顕著なアーティファクトとレンダリング品質が低下する。 従来の手法では、追加の事前(例えば、深さの先行)を導入するか、正規化技術(例えば、ドロップアウト)を統合することで、この問題に対処する方法を模索している。 しかし、これらの手法は原則的な指導なしに適用されることが多い。 特に、事前ベース拡張は通常、新しい視点をランダムにサンプリングするが、ドロップアウトベースの正規化はガウスをランダムに除去する。 複合ランダム性は不確実性と不安定性を導入し、新規なビュー合成の忠実性を制限する。 本稿では,幾何的事前利用と正規化を定量的に導くために,フィッシャー情報を利用したスパースビュー3DGSを提案する。 特に,本手法は,(1)漁業情報を用いたステレオ増強という2つの重要な要素から構成される。 魚介類情報を活用することにより,最も情報に富む支援視点を積極的に選択し,信頼性の高い疑似基底真理をキュレートする深みを積極的に利用し,拡張時のランダム性を低減し,安定性とレンダリング精度を向上させる。(2)不確実性に配慮した正規化。 我々は、Fisher Information を用いて、各3次元ガウスの不確かさを定量的に測定し、除去確率を適応的に調整し、より安定かつ効果的な正則化を実現することにより、ドロップアウト型正則化の不安定性を低減する。 これら2つのコンポーネントにより,スパースビュー3DGSにおけるオーバーフィッティングを効果的に軽減し,最適化の安定性を向上し,レンダリング精度が向上する。 広汎な実験により,スパースビュー新規ビュー合成ベンチマークにおける最先端性能が得られた。

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)
• NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting [41.21645092733966]
  本稿では,多視点不整合な2次元特徴を持ち上げることで生成されるノイズの多い3次元セマンティックフィールドを改良するニューラル正規化手法を提案する。 実験により,提案手法は昇降セマンティクスの精度を高め,ロバストな3次元セマンティクス・ガウス・スプラッティングへの効率的かつ効果的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-04-24T10:57:05Z)
• UGOD: Uncertainty-Guided Differentiable Opacity and Soft Dropout for Enhanced Sparse-View 3DGS [8.78995910690481]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)の競争的アプローチとなっている 本稿では,ガウスの適応重み付けがレンダリング品質に与える影響について検討する。 提案手法は,MipNeRF 360データセットにおいて3.27%のPSNR改善を実現する。
  論文  参考訳（メタデータ） (2025-08-07T01:42:22Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• DropGaussian: Structural Regularization for Sparse-view Gaussian Splatting [5.216151302783165]
  本稿では,DropGaussianと呼ばれる3次元ガウススプラッティングの簡易な変更による事前自由化手法を提案する。 具体的には、トレーニングプロセス中にランダムにガウスをドロップアウトで除去し、非除外ガウスがより大きな勾配を持つようにします。 このような単純な操作は、オーバーフィッティング問題を効果的に軽減し、新規なビュー合成の品質を高める。
  論文  参考訳（メタデータ） (2025-04-01T13:23:34Z)
• 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)
• See In Detail: Enhancing Sparse-view 3D Gaussian Splatting with Local Depth and Semantic Regularization [14.239772421978373]
  3次元ガウス散乱(3DGS)は、新規なビュー合成において顕著な性能を示した。 しかし、そのレンダリング品質は、粗いインフットビューによって劣化し、歪んだコンテンツと細部が減少する。 本稿では,事前情報を取り入れたスパースビュー3DGS法を提案する。 LLFFデータセット上でPSNRを最大0.4dB改善し、最先端の新規ビュー合成手法より優れる。
  論文  参考訳（メタデータ） (2025-01-20T14:30:38Z)

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。