論文の概要: AugSplat: Radiance Field-Informed Gaussian Splatting for Sparse-View Settings

• arxiv url: http://arxiv.org/abs/2606.31556v1
• Date: Tue, 30 Jun 2026 12:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.206981
• Title: AugSplat: Radiance Field-Informed Gaussian Splatting for Sparse-View Settings
• Title（参考訳）: AugSplat: スパースビュー設定のためのラディアンフィールドインフォームドガウススプラッティング
• Abstract要約: スパース・ビュー・レジームにおけるガウス的スプティングを改善するためのフレームワークであるAugSplatを紹介する。 まず、スパース入力ビューの放射場をトレーニングし、それを近くの新しい視点から追加画像の合成に利用する。 これらの合成ビューは、ガウススプラッティング中の補助的な監視として使用される。 Sparse-view mip-NeRF 360 のシーンでの実験では、AugSplat は標準のガウス版よりも再現性を向上させることが示されている。
• 参考スコア（独自算出の注目度）: 35.450442960064116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating high-quality novel views at real-time frame rates remains a central challenge in 3D vision, particularly in sparse-view scenarios. Neural radiance fields have demonstrated robust reconstruction from limited observations, but their reliance on volumetric rendering leads to high computational cost and slow inference. In contrast, Gaussian Splatting methods achieve real-time rendering through rasterization, but their optimization is highly sensitive to the quality of the initial geometry. This sensitivity becomes especially problematic in sparse-view settings, where limited observations often lead to incomplete or noisy point-cloud reconstructions. In this work, we present AugSplat, a simple framework for improving Gaussian Splatting in sparse-view regimes using radiance-field-based view augmentation. We first train a radiance field on the sparse input views and use it to synthesize additional images from nearby novel viewpoints, increasing the effective view-space coverage available for supervision. These synthetic views are then used as auxiliary supervision during Gaussian Splatting optimization. We study two variants: Staged AugSplat, which uses synthetic views for an initial optimization phase before switching to real images, and Dual AugSplat, which jointly trains on real and synthetic views with a decaying synthetic loss weight. Experiments on sparse-view mip-NeRF 360 scenes show that AugSplat improves reconstruction quality over standard Gaussian Splatting. Staged AugSplat achieves the strongest average performance, while Dual AugSplat provides a closely performing formulation that keeps real-image supervision active throughout training, and both variants preserve real-time rendering at inference.
• Abstract（参考訳）: リアルタイムフレームレートで高品質な新規ビューを生成することは、特にスパースビューのシナリオにおいて、3Dビジョンにおいて中心的な課題である。 ニューラルラディアンス場は、限られた観測結果から頑健な再構成が証明されているが、ボリュームレンダリングに依存しているため、計算コストが高く、推論が遅い。 対照的にガウススティング法はラスタ化によってリアルタイムなレンダリングを実現するが、その最適化は初期幾何学の品質に非常に敏感である。 この感度はスパースビューの設定において特に問題となり、限られた観測結果が不完全またはノイズの多い点雲の再構成につながる。 本研究では,視線場に基づく視力増強を用いたスパース・ビュー・レジームにおけるガウス・スプレイティングを改善するためのシンプルなフレームワークであるAugSplatを提案する。 筆者らはまず、スパース・インプット・ビューの放射場を訓練し、それを近くの新しい視点から追加画像の合成に利用し、監督に利用できる効果的な視野範囲を拡大する。 これらの合成ビューは、ガウススプラッティング最適化の際の補助的な監視として使用される。 実画像に切り替える前に、初期最適化フェーズに合成ビューを使用するStaged AugSplatと、劣化する合成損失重量で実画像と合成ビューを共同でトレーニングするDual AugSplatの2つのバリエーションについて検討する。 Sparse-view mip-NeRF 360 のシーンでの実験では、AugSplat は標準のガウス版よりも再現性を向上させることが示されている。 ステージドAugSplatは最強の平均パフォーマンスを達成し、デュアルAugSplatはトレーニングを通してリアルタイムの監視をアクティブに維持する厳密なフォーミュレーションを提供する。

関連論文リスト

• DelowlightSplat: Feed-Forward Gaussian Splatting for Lowlight 3D Scene Reconstruction [6.257560917160816]
  クリーンノベルビューレンダリングのための低照度フィードフォワードガウススプレイティングフレームワークであるDelowlightSplatを提案する。 ターゲットビューをきれいに保ちながら、コンテキストビューのみを劣化させることで、制御可能なマルチビューの低照度ベンチマークを構築します。 実験により,DelowlightSplatは,低照度条件下での以前のフィードフォワード法と2段パイプラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-05-26T07:05:10Z)
• ViewSplat: View-Adaptive Dynamic Gaussian Splatting for Feed-Forward Synthesis [10.752176613697912]
  ビュー適応型3次元ガウススプラッティングネットワークであるViewSplatについて述べる。 ViewSplatは高速な推論とリアルタイムレンダリングを維持しつつ,最先端の忠実度を実現していることを示す。
  論文  参考訳（メタデータ） (2026-03-26T10:03:44Z)
• FewViewGS: Gaussian Splatting with Few View Matching and Multi-stage Training [15.634646420318731]
  スパース入力画像を用いた3次元ガウス型新規ビュー合成法を提案する。 本稿では,新しい視点に課せられる整合性制約を考慮した多段階学習手法を提案する。 これは、利用可能なトレーニング画像のマッチングを使用して、新しいビューの生成を監督することで達成される。
  論文  参考訳（メタデータ） (2024-11-04T16:21:00Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• FreeSplat: Generalizable 3D Gaussian Splatting Towards Free-View Synthesis of Indoor Scenes [50.534213038479926]
  FreeSplatは、長いシーケンス入力から自由視点合成まで、幾何学的に一貫した3Dシーンを再構築することができる。 ビュー数に関係なく、広いビュー範囲にわたる堅牢なビュー合成を実現するための、シンプルで効果的なフリービュートレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-28T08:40:14Z)
• 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)
• FSGS: Real-Time Few-shot View Synthesis using Gaussian Splatting [58.41056963451056]
  本稿では,3次元ガウススプラッティングに基づく数ショットビュー合成フレームワークを提案する。 このフレームワークは3つのトレーニングビューでリアルタイムおよびフォトリアリスティックなビュー合成を可能にする。 FSGSは、さまざまなデータセットの精度とレンダリング効率の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-12-01T09:30:02Z)
• Scaffold-GS: Structured 3D Gaussians for View-Adaptive Rendering [71.44349029439944]
  最近の3次元ガウス散乱法は、最先端のレンダリング品質と速度を達成している。 局所的な3Dガウス分布にアンカーポイントを用いるScaffold-GSを導入する。 提案手法は,高品質なレンダリングを実現しつつ,冗長なガウスを効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2023-11-30T17:58:57Z)
• GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
  3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。 我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。 フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
  論文  参考訳（メタデータ） (2023-11-26T02:35:09Z)

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。