論文の概要: L2D2-GS: Learning to Densify for Feedforward Dynamic Gaussian Scene Reconstruction
- arxiv url: http://arxiv.org/abs/2606.29374v1
- Date: Sun, 28 Jun 2026 12:51:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.898695
- Title: L2D2-GS: Learning to Densify for Feedforward Dynamic Gaussian Scene Reconstruction
- Title（参考訳）: L2D2-GS: フィードフォワード動的ガウスシーン再構成の学習
- Abstract要約: 本稿では,L2D2-GSについて述べる。L2D2-GSは1ショットレグレッションではなく,最適化と密度化の堅牢な反復的プロセスとして,一般化可能な再構築を再構築する統一的なフレームワークである。
提案手法は, 競合するベースラインよりもプリミティブを少なくしつつ, 最先端の復元忠実度と強力なゼロショット一般化を実現する。
- 参考スコア（独自算出の注目度）: 45.197986759830314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-fidelity reconstruction of dynamic urban environments is a cornerstone of autonomous driving simulation and large-scale world modeling. While 3D Gaussian Splatting (3DGS) has established a new standard for real-time rendering, its reliance on expensive per-scene optimization limits scalability. Conversely, recent feedforward methods that infer Gaussian parameters offer faster speed but face fundamental bottlenecks: they are memory-prohibitive at high resolutions and struggle to fuse dense multi-view observations consistently. This paper presents L2D2-GS, a unified framework that reformulates generalizable reconstruction not as a one-shot regression, but as a robust iterative process of optimization and densification. To resolve the ambiguity of supervision in primitive generation, we propose a self-supervised densification policy that derives explicit reward signals from global reconstruction gains to guide local densification. Furthermore, we mitigate irreversible early-stage artifacts through a geometric regularization mechanism, utilizing reparameterization to constrain the optimization manifold and prevent convergence to poor local optima. Extensive experiments on the PandaSet and Waymo datasets demonstrate that our method achieves state-of-the-art reconstruction fidelity and strong zero-shot generalization, while using fewer primitives than competing baselines.
- Abstract（参考訳）: 動的都市環境の高忠実な再構築は、自律運転シミュレーションと大規模世界モデリングの基盤となる。
3D Gaussian Splatting (3DGS)はリアルタイムレンダリングの新しい標準を確立しているが、高価なシーンごとの最適化に依存しているためスケーラビリティが制限されている。
逆に、ガウスのパラメータを推定する最近のフィードフォワード法は、高速だが基本的なボトルネックに直面している。
本稿では,L2D2-GSについて述べる。L2D2-GSは1ショットレグレッションではなく,最適化と密度化の堅牢な反復的プロセスとして,一般化可能な再構築を再構築する統一的なフレームワークである。
原始世代における監督の曖昧さを解決するため,グローバルなリコンストラクションゲインから明確な報酬信号を導出し,局所的なデンシフィケーションを導出する自己監督型デンシフィケーション政策を提案する。
さらに、幾何正則化機構によって不可逆的な初期アーティファクトを緩和し、再パラメータ化を利用して最適化多様体を制約し、局所最適性の低い収束を防止する。
PandaSetとWaymoのデータセットの大規模な実験により、我々の手法は、競合するベースラインよりもプリミティブを少なくしながら、最先端の再構築忠実度と強力なゼロショットの一般化を達成することを示した。
関連論文リスト
- CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction [3.7567584936415166]
スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。
既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。
スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
論文 参考訳（メタデータ） (2026-08-15T14:08:44Z) - EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。
提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
論文 参考訳（メタデータ） (2026-08-09T09:00:30Z) - Incremental Online Scene Reconstruction by 3D Gaussian Triangulation [22.398131643187384]
本稿では,高忠実度メッシュを漸進的に再構築し,更新する新しいオンラインフレームワークを提案する。
また、ガウス集合からメッシュを効率的に抽出し、更新する直接メッシュアルゴリズムを提案する。
我々のフレームワークは、長時間の処理においてメモリと計算オーバーヘッドを大幅に削減する。
論文 参考訳（メタデータ） (2026-07-12T10:22:18Z) - FlowObject: Flow Steering for Bridging Generative Priors and Reconstruction Fidelity [34.142288038459704]
FlowObjectは、スパースビューの3D再構成をトレーニング不要でガイド付き逆問題として再構成するフレームワークである。
提案手法は、幾何学的完全性およびビュー依存外観忠実度の両方において、最先端の生成モデルと最適化に基づくフレームワークを著しく上回る。
論文 参考訳（メタデータ） (2026-06-17T12:42:09Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Tessellation GS: Neural Mesh Gaussians for Robust Monocular Reconstruction of Dynamic Objects [41.62908563782648]
3D Gaussian Splatting (GS) は、ポーズされた画像列から高度に写実的なシーン再構築を可能にするが、視点外挿に苦慮する。
本稿では,メッシュ面に固定された2次元GS構造を持つテッセルレーションGSを提案する。
本手法は,2次元ガウス関数を局所領域に制約し,メッシュ面上の階層的ニューラル特徴を通じてそれらの特性を推定する。
論文 参考訳（メタデータ） (2025-12-08T10:16:14Z) - Re-Activating Frozen Primitives for 3D Gaussian Splatting [22.003309830812825]
3D Gaussian Splatting (3D-GS) はリアルタイムなフォトリアリスティックなノベルビュー合成を実現するが、過度に再構成されたアーティファクトのために複雑なシーンと競合する。
本稿では,リアクティベーションの原理に基づく手法であるReAct-GSを紹介する。
本稿では,ReAct-GSがオーバーコンストラクションのアーティファクトを効果的に排除し,標準的な新規ビュー合成メトリクスの最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2025-10-21T15:38:18Z) - OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。
提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
論文 参考訳（メタデータ） (2025-09-27T11:19:32Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - DeSiRe-GS: 4D Street Gaussians for Static-Dynamic Decomposition and Surface Reconstruction for Urban Driving Scenes [71.61083731844282]
本稿では,自己教師型ガウススプラッティング表現であるDeSiRe-GSについて述べる。
複雑な駆動シナリオにおいて、効率的な静的・動的分解と高忠実な表面再構成を可能にする。
論文 参考訳（メタデータ） (2024-11-18T05:49:16Z)
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。