論文の概要: GADA: Geometry-Aware Deformable Aggregation for Image-Based Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2607.00595v2
• Date: Thu, 02 Jul 2026 10:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.261679
• Title: GADA: Geometry-Aware Deformable Aggregation for Image-Based Gaussian Splatting
• Title（参考訳）: GADA:画像ベースガウス平滑化のための幾何学的変形性アグリゲーション
• Authors: Siwoo Lim, Sunjae Yoon, Gwanhyeong Koo, Chang D. Yoo,
• Abstract要約: ガウススプラッティングはワープ技術を導入して大幅な改善を成し遂げた。 しかし、このような手法は不確実な幾何学のために画素レベルの不正確さに悩まされる。 この不確実性は、残差学習を妨害する歪んだ画像における空間的不整合をもたらす。 本稿では,空間的不整合を積極的に補正し,転位した手がかりを回復するためにGADA(Geometry-Aware Deformable Aggregation)を提案する。
• 参考スコア（独自算出の注目度）: 40.87793066043428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gaussian Splatting has achieved significant improvements by incorporating warping-based techniques. However, such methods suffer from pixel-level inaccuracies due to uncertain geometry. This uncertainty leads to spatial misalignments in the warped images, which disrupt residual learning used in warping-based methods and fundamentally limit the gains of correction, particularly on thin structures and high-frequency details. Driven by our insight that useful visual cues are not lost but locally preserved under slight displacement, we propose Geometry-Aware Deformable Aggregation (GADA). This method introduces an iterative refinement module with deformable offsets to actively correct spatial misalignments and recover these displaced cues. Furthermore, to address the limitations of standard pipelines where visibility checks (i.e., thresholding) often discard valid pixels and multi-view warped image fusion relies on naive mean aggregation, our module is coupled with an implicit confidence weighting mechanism that selectively suppresses unreliable evidence. Consequently, our approach outperforms prior warping-based Gaussian Splatting, preserving high-frequency quality while achieving 2.13 times faster FPS.
• Abstract（参考訳）: ガウススプラッティングはワープ技術を導入して大幅な改善を成し遂げた。 しかし、このような手法は不確実な幾何学のために画素レベルの不正確さに悩まされる。 この不確実性は、ワープ法で使用される残差学習を妨害し、特に細い構造や高周波の詳細において補正の利得を根本的に制限するワープ画像における空間的不整合をもたらす。 有用な視覚的手がかりは失われるのではなく,わずかな変位の下で局所的に保存されるという我々の知見に従い,幾何学的変形性凝集法(GADA)を提案する。 本手法は、変形可能なオフセットを有する反復リファインメントモジュールを導入し、空間的不整合を積極的に補正し、それらの変位したキューを復元する。 さらに、可視性チェック(しきい値の取得)が有効なピクセルを破棄することが多く、マルチビューのワープ画像融合は単純な平均アグリゲーションに依存している標準パイプラインの制限に対処するため、我々のモジュールは、信頼できない証拠を選択的に抑制する暗黙の信頼度重み付け機構と結合する。 その結果,従来より2.13倍高速なFPSを実現するとともに,高周波品質を維持したガウススプラッティングよりも優れていた。

関連論文リスト

• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• HarmoGS: Robust 3D Gaussian Splatting in the Wild via Conflict-Aware Gradient Harmonization [82.42818558196615]
  In the-the-wild 3D Gaussian Splattingは、過渡的乱れと照明による視界不整合のため、依然として困難である。 本稿では、画像空間の監督と勾配レベルの最適化の両方からこの問題に対処するコンフリクト対応3DGSフレームワークを提案する。 本手法は,複雑な過渡トラクタとクロスビューの不整合の下で,最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2026-05-13T06:47:09Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Robust Perspective Correction for Real-World Crack Evolution Tracking in Image-Based Structural Health Monitoring [0.2525107441836083]
  本研究では、オープンなKAZEアーキテクチャをSHM固有の課題に適応させる物理インフォームドアライメントフレームワークを提案する。 従来の検出器と比較して、提案手法はクラック面積とスピン長誤差を最大70%と90%削減する。 教師なし、解釈可能、計算量的に軽量なこのアプローチは、UAVやモバイルプラットフォームによるスケーラブルなデプロイメントをサポートする。
  論文  参考訳（メタデータ） (2025-05-06T07:25:33Z)
• Robust Steganography with Boundary-Preserving Overflow Alleviation and Adaptive Error Correction [14.517951900805317]
  既存の手法は,空間的乱れの影響を低減し,量子化係数の安定性を確保することを目的としている。 既存の方法は、画像画素に顕著な変化を誘発し、抗ステガナリシス性能を損なう可能性がある。 本研究では,空間ブロックの実際のオーバーフロー条件に基づいてオーバーフロー除去操作を行う前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T03:49:18Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)

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。