論文の概要: Graph-GSReg: Leveraging 3D Scene Graphs for Gaussian Splatting Registration

• arxiv url: http://arxiv.org/abs/2606.29782v1
• Date: Mon, 29 Jun 2026 04:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.054429
• Title: Graph-GSReg: Leveraging 3D Scene Graphs for Gaussian Splatting Registration
• Title（参考訳）: Graph-GSReg: ガウスプラッティング登録のための3Dシーングラフを活用する
• Authors: Jaewon Lee, Mangyu Kong, Euntai Kim,
• Abstract要約: 複数の3Dガウススティング(3DGS)シーンを単一の統一表現にマージすることは、大規模な3Dマッピングとマップ管理に不可欠である。 従来の手法はガウス原始体間の直接対応を試み、大規模な3DGSの訓練を必要とする。 本手法は3DGSとそのレンダリング画像から3次元シーングラフを構築し,グラフ登録問題としての3DGS登録をテキスト化する。
• 参考スコア（独自算出の注目度）: 21.225937272344968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Merging multiple 3D Gaussian Splatting (3DGS) scenes into a single unified Gaussian representation is essential for large-scale 3D mapping and long-term map management. Despite its importance, this area remains underexplored, and existing solutions exhibit several limitations. Learning-based methods attempt direct correspondence between Gaussian primitives and require training on large 3DGS datasets. Image-based optimization methods depend heavily on coarse initialization from generic foundation models and often incur expensive refinement. We present \ourmodel. Our method constructs a 3D scene graph from a 3DGS and its rendered images, \textit{reformulating 3DGS registration as a graph registration problem}. The proposed 3D scene graph represents each 3DGS at a higher-level representation, enabling a globally consistent understanding of semantic information and structural context for accurate registration. To further construct a seamless unified scene, we introduce a Self-Supervised Test-Time Optimization. Naively merging two 3D Gaussian scenes often suffers from occlusion artifacts such as hollows and floaters. To alleviate this issue, we refine the merged Gaussians to preserve visual consistency between the original scenes and the merged scene. We evaluate our method on real and synthetic benchmarks, demonstrating competitive registration accuracy and merged scene rendering quality.
• Abstract（参考訳）: 複数の3Dガウススプラッティング(3DGS)シーンを単一の統一ガウス表現にマージすることは、大規模な3Dマッピングと長期マップ管理に不可欠である。 その重要性にもかかわらず、この地域は未探索のままであり、既存の解決策にはいくつかの制限がある。 学習に基づく手法はガウス原始体間の直接対応を試み、大規模な3DGSデータセットのトレーニングを必要とする。 画像に基づく最適化手法は、一般的な基礎モデルからの粗い初期化に大きく依存しており、しばしば高価な改良を行う。 を提示する。 本手法は3DGSとそのレンダリング画像から3DGSのシーングラフを構築し,グラフ登録問題として3DGSの登録を代用する。 提案した3Dシーングラフは,各3DGSを高レベルな表現で表現し,意味情報のグローバルな一貫した理解と,正確な登録のための構造的コンテキストを実現する。 シームレスに統一されたシーンを構築するために、セルフ・スーパーバイザード・テスト・タイム最適化を導入する。 自然に2つの3Dガウスのシーンを融合させると、ホロウやフローターのような閉塞的な人工物に悩まされることが多い。 この問題を緩和するために、元のシーンと統合されたシーンとの視覚的整合性を維持するために、統合されたガウシアンを洗練する。 提案手法を実画像と合成画像のベンチマークで評価し、競合する登録精度を実証し、シーンのレンダリング品質をマージした。

関連論文リスト

• IBRSteG: Learning a Generalizable Steganography Framework for 3D Gaussian Splatting [47.67435574849449]
  IBRSteGは3DGSステガノグラフィーのための一般化可能なフレームワークである。 ステガノグラフィーシーン内の秘密シーンを検出不能に隠蔽することができる。
  論文  参考訳（メタデータ） (2026-06-29T09:25:58Z)
• LabelGS: Label-Aware 3D Gaussian Splatting for 3D Scene Segmentation [56.4321049923868]
  3D Gaussian Splatting (3DGS)は、3Dシーンの新たな明示的な表現として登場し、高忠実度再構成と効率的なレンダリングの両方を提供している。 ガウス表現をオブジェクトラベルで拡張する手法であるラベル対応3Dガウス分割法(LabelGS)を提案する。 LabelGSはFeature-3DGSと比較して、1440X1080の解像度でトレーニングで22倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2025-08-27T09:07:38Z)
• RegGS: Unposed Sparse Views Gaussian Splatting with 3DGS Registration [10.88046882501116]
  RegGSは、未提示のビューを再構築するための3Dガウス登録ベースのフレームワークである。 エントロピー規則化シンクホーンアルゴリズムを実装し, 最適輸送法であるMixture 2-Wasserstein $(textMW_2)$ distanceを効率よく解く。 また、$textMW$ 距離、光度整合性、深度幾何学を統合した3DGS登録モジュールを設計する。
  論文  参考訳（メタデータ） (2025-07-10T19:56:08Z)
• EG-Gaussian: Epipolar Geometry and Graph Network Enhanced 3D Gaussian Splatting [9.94641948288285]
  EG-Gaussianは3次元シーン再構成にエピポーラ幾何学とグラフネットワークを利用する。 提案手法は3DGS法と比較して再構成精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-18T08:10:39Z)
• GaussianGraph: 3D Gaussian-based Scene Graph Generation for Open-world Scene Understanding [20.578106363482018]
  本稿では,セマンティッククラスタリングとシーングラフ生成を統合し,3DGSに基づくシーン理解を強化する新しいフレームワークを提案する。 本稿では,シーンスケールや特徴分布に動的に対応し,特徴圧縮を回避する"Control-Follow"クラスタリング戦略を提案する。 2次元基礎モデルから抽出したオブジェクト属性と空間関係を統合することでシーン表現を充実させる。
  論文  参考訳（メタデータ） (2025-03-06T02:36:59Z)
• Graph-Guided Scene Reconstruction from Images with 3D Gaussian Splatting [5.8452477457633485]
  既存の手法には、精密なカメラポーズを入力に必要としたり、監督のために密集した視点を必要とするなど、様々な制限がある。 グラフ誘導型3Dシーン再構築フレームワークGraphGSを提案する。 画像から高忠実度な3D再構成を実現し,複数のデータセットにわたる定量的,定性的な評価により,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-02-24T17:59:08Z)
• 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)
• SAGD: Boundary-Enhanced Segment Anything in 3D Gaussian via Gaussian Decomposition [66.56357905500512]
  3Dガウススプラッティングは、新しいビュー合成のための代替の3D表現として登場した。 SAGDは3D-GSのための概念的にシンプルで効果的な境界拡張パイプラインである。 提案手法は粗い境界問題なく高品質な3Dセグメンテーションを実現し,他のシーン編集作業にも容易に適用できる。
  論文  参考訳（メタデータ） (2024-01-31T14:19:03Z)

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。