論文の概要: ACEsplat: Accelerated 3D Gaussian Scene Regression via RGB and Poses Only

• arxiv url: http://arxiv.org/abs/2606.22091v1
• Date: Sat, 20 Jun 2026 15:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 22:50:21.949237
• Title: ACEsplat: Accelerated 3D Gaussian Scene Regression via RGB and Poses Only
• Title（参考訳）: ACEsplat:RGBとPosesのみによる3Dガウスシーンのアクセラレーション
• Abstract要約: 本稿では,RGB画像とカメラポーズのみから3次元ガウス表現を再構成する,シーンごとの高速最適化フレームワークACEsplatを提案する。 静的なレンダリングでは、ACEsplatはリアルタイムSLAMポーズでWayspotsで29.11dB PSNR、SfM修正ポーズでCambridge Landmarksで33.20dBを達成した。
• 参考スコア（独自算出の注目度）: 4.0553083073432
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Per-scene 3D Gaussian Splatting (3DGS) enables high-fidelity rendering, but practical robotic and AR scene capture pipelines often depend on external geometric initialization (e.g., SfM point clouds or depth estimates), which can be slow and brittle in on-site deployment. We present ACEsplat, a fast per-scene optimization framework that reconstructs 3D Gaussian representations from RGB images and camera poses only, without requiring external 3D priors (e.g., precomputed SfM models or supervised depth maps). ACEsplat uses a two-stage pipeline: (1) a self-supervised scene coordinate regression (SCR) module builds an internal geometry prior within 4--5 minutes; (2) SCR features and coordinate priors are fused by a lightweight Gaussian initialization head, followed by per-scene 3DGS optimization. On static-view rendering, ACEsplat achieves 29.11 dB PSNR on Wayspots with real-time SLAM poses and 33.20 dB on Cambridge Landmarks with SfM-refined poses. On RealEstate10K sparse-view novel view synthesis, it achieves competitive image fidelity under a challenging 2-view setting. ACEsplat completes scene-specific SCR mapping and 3DGS reconstruction within 15--25 minutes on a single GPU, making it a practical RGB+pose-only solution for rapid scene setup in robotics and mixed-reality applications.
• Abstract（参考訳）: シーンごとの3Dガウススティング(3DGS)は高忠実なレンダリングを可能にするが、実用的なロボットとARシーンキャプチャパイプラインは、しばしば外部の幾何学的初期化(例えば、SfM点雲や深さ推定)に依存する。 RGB画像とカメラポーズから3次元ガウス表現を再構成する高速なシーンごとの最適化フレームワークであるACEsplatを、外部の3D事前処理(例えば、事前計算されたSfMモデルや教師付き深度マップ)を必要とせずに提供する。 ACEsplatは2段階のパイプラインを使用する: 1) 自己教師付きシーン座標回帰(SCR)モジュールは、4～5分以内に内部幾何学を構築し、(2) SCRの特徴と座標事前は軽量なガウス初期化ヘッドで融合し、続いてシーンごとの3DGS最適化を行う。 静的なレンダリングでは、ACEsplatはリアルタイムSLAMポーズでWayspotsで29.11dB PSNR、SfM修正ポーズでCambridge Landmarksで33.20dBを達成した。 RealEstate10K Sparse-view novel view synthesisでは、挑戦的な2視点設定で競合画像の忠実性を達成する。 ACEsplatは、1つのGPU上でシーン固有のSCRマッピングと3DGS再構成を15分から25分以内に完了する。

関連論文リスト

• ERF-GS: Reconstructing Fast Motion from Disjoint Event-RGB Viewpoints [37.08264457707477]
  Event-RGB fusion Gaussian splatting (ERF-GS) フレームワークは、イベント情報を最適化と密度化の両方の段階に統合する。 ERF-GSはリアルなシミュレーション設定を用いて開発され、RGB入力から切り離されたイベントベースの学習を実現する。 ERF-GSは,Neu3DデータセットとNvidiaデータセットの異なるバリエーションにおいて,4DGSベースラインと同時E-D3DGSの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2026-08-09T07:00:27Z)
• SatSplat: Geometrically-Accurate Gaussian Splatting for Satellite Imagery [9.341363879764828]
  SatSplatは2DGS(2D Gaussian Splatting)を衛星写真に適応させる最初のフレームワークである。 SatSplatは3DGSベースのベースラインをはるかに上回りながら、強力な幾何学的精度を実現している。 提案手法により,実用的な計算効率を持つ大規模ディジタル表面モデリングが可能となる。
  論文  参考訳（メタデータ） (2026-06-26T20:14:19Z)
• LightHarmony3D: Harmonizing Illumination and Shadows for Object Insertion in 3D Gaussian Splatting [90.15229815175593]
  光ハーモニー3D(LightHarmony3D)について述べる。 繰り返し最適化の代わりに生成前処理を活用することにより,本手法はシーン照明を効率よく捉えることができる。 3DGSでメッシュ挿入のための最初の専用ベンチマークを導入し、照明の一貫性と光リアリズムを評価するための標準化された評価フレームワークを提供する。
  論文  参考訳（メタデータ） (2026-03-31T03:26:30Z)
• Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
  動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。 しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。 動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T16:30:48Z)
• SplArt: Articulation Estimation and Part-Level Reconstruction with 3D Gaussian Splatting [15.098827709119087]
  SplArtは,2組のRGB画像から調音対象を再構成し,キネマティクスを推定する,自己教師型カテゴリー認識フレームワークである。 SplArtは幾何学的自己スーパービジョンを利用して、3Dアノテーションやカテゴリ固有の事前処理を必要とせずに、困難なシナリオに効果的に対処する。 確立された、新しく提案されたベンチマークの評価と、ハンドヘルドのRGBカメラを用いた実世界のシナリオへの応用は、SplArtの最先端のパフォーマンスと実世界の実用性を実証している。
  論文  参考訳（メタデータ） (2025-06-04T05:53:16Z)
• GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
  スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。 我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。 いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-18T08:18:44Z)
• MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes [49.36091070642661]
  本稿では,4DGSのためのメモリ効率フレームワークを提案する。 TechnicolorとNeural 3D Videoのデータセットで約190$times$と125$times$のストレージ削減を実現している。 レンダリング速度とシーン表現の品質を維持し、フィールドに新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-17T14:47:08Z)
• Splatt3R: Zero-shot Gaussian Splatting from Uncalibrated Image Pairs [29.669534899109028]
  Splatt3Rはポーズレスフィードフォワード方式で,立体対からの3次元再構成と新しいビュー合成を行う。 Splatt3Rは補正されていない自然画像から、カメラパラメータや深度情報を必要とせずに3Dガウススプラッターを予測できる。 Splatt3Rは512 x 512の解像度で4FPSでシーンを再構築でき、その結果のスプラッターをリアルタイムでレンダリングできる。
  論文  参考訳（メタデータ） (2024-08-25T18:27:20Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• 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。