論文の概要: Improving Sparse-View 3DGS Generalization via Flat Minima Optimization
- arxiv url: http://arxiv.org/abs/2607.00885v1
- Date: Wed, 01 Jul 2026 12:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.894514
- Title: Improving Sparse-View 3DGS Generalization via Flat Minima Optimization
- Title（参考訳）: フラットミニマ最適化によるスパースビュー3DGSの一般化
- Abstract要約: ニューラルレンダリングの最近の進歩は、新しいビュー合成のための高効率な表現として、3Dガウススティング(3DGS)を確立している。
しかし、3DGSは, 少ない視点でのみ監督を行う場合, 観察された画像に過度に適合し, 見えない視点に過度に一般化する傾向にある。
我々は,小パラメータ摂動下で安定な解を求めるフラット・ミニマ (FM) 最適化の観点から,この問題に対処する。
- 参考スコア（独自算出の注目度）: 37.65568887478836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in neural rendering have established 3D Gaussian Splatting (3DGS) as a highly efficient representation for novel view synthesis, enabling fast training and real-time rendering with strong fidelity. However, when supervision is limited to sparse input views, 3DGS tends to overfit to the observed images and generalize poorly to unseen viewpoints. We address this challenge from the perspective of flat minima (FM) optimization, which seeks solutions that remain stable under small parameter perturbations. Viewing Gaussian parameters as trainable weights, we adapt FM principles to the geometric and dynamic nature of 3DGS with a lightweight training framework. Our method regularizes optimization with controlled Gaussian perturbations that account for each Gaussian's anisotropy and the training progress, preserving fine details while improving robustness to sparse-view overfitting. To further stabilize this flat minima optimization process, we introduce periodic reinitialization, which temporarily returns non-positional parameters to their initial states for a short window. Together, these techniques integrate seamlessly into existing 3DGS pipelines without architectural changes. Experiments on LLFF and Mip-NeRF360 datasets demonstrate improved quantitative metrics and perceptual quality under sparse-view supervision, producing reconstructions that are sharper, more stable, and better generalized to novel viewpoints.
- Abstract（参考訳）: ニューラルレンダリングの最近の進歩は、3Dガウススプラッティング(3DGS)を新しいビュー合成のための高効率な表現として確立し、高速なトレーニングと強力な忠実なリアルタイムレンダリングを可能にした。
しかし、3DGSは, 少ない視点でのみ監督を行う場合, 観察された画像に過度に適合し, 見えない視点に過度に一般化する傾向にある。
我々は,小パラメータ摂動下で安定な解を求めるフラット・ミニマ (FM) 最適化の観点から,この問題に対処する。
ガウスパラメータをトレーニング可能な重みと見なして、3DGSの幾何学的・動的性質にFMの原理を軽量なトレーニングフレームワークで適用する。
提案手法は,各ガウスの異方性とトレーニングの進捗を考慮した制御されたガウス摂動を用いて最適化を正則化し,細部を保存し,スパースビューオーバーフィッティングに頑健さを向上する。
この平らなミニマ最適化プロセスをさらに安定化させるために、我々は周期的再初期化を導入し、短いウィンドウで非位置パラメータを初期状態に一時的に返却する。
これらの技術は、アーキテクチャの変更なしに既存の3DGSパイプラインにシームレスに統合される。
LLFFとMip-NeRF360データセットの実験では、スパースビューの監督下での定量的メトリクスと知覚品質が改善され、より鋭く、より安定し、より新しい視点に一般化された再構築が実現された。
関連論文リスト
- NOVA-GS: Noise-Aware View-Consistent Gaussian Splatting for Low-Light Novel View Synthesis [8.990930037094982]
NOVA-GSは低光度3Dガウススプラッティングのためのノイズ対応フレームワークである。
単一のプロセス内で拡張、デノイング、および幾何最適化を仮定する。
様々な現実世界の低照度データセットの実験では、ペアの監督やよく照らされた参照を必要とせずに、幾何学的忠実度、色一貫性、堅牢性が改善された。
論文 参考訳（メタデータ） (2026-09-11T10:26:36Z) - Fast and Robust Deformable 3D Gaussian Splatting [16.61618332955902]
3D Gaussian Splattingは、静的シーンのための新しいビュー合成において、顕著なリアルタイムレンダリング機能と優れた視覚的品質を示してきた。
変形場に基づく手法は様々な技術において有望なアプローチとして現れてきた。
高品質な動的シーン再構築のための効率的で堅牢なフレームワークであるFRoGを提案する。
論文 参考訳（メタデータ） (2026-03-21T15:24:54Z) - 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) - Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。
Intern-GSは多様なデータセットにまたがって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） (2025-05-27T05:17:49Z) - Steepest Descent Density Control for Compact 3D Gaussian Splatting [72.54055499344052]
3D Gaussian Splatting (3DGS)は、強力なリアルタイム高解像度ノベルビューとして登場した。
本稿では,3DGSの密度制御をデミストし,改良する理論的枠組みを提案する。
我々はSteepGSを導入し、コンパクトな点雲を維持しながら損失を最小限に抑える原則的戦略である、最も急な密度制御を取り入れた。
論文 参考訳（メタデータ） (2025-05-08T18:41:38Z) - Diffusion-Guided Gaussian Splatting for Large-Scale Unconstrained 3D Reconstruction and Novel View Synthesis [22.767866875051013]
本稿では,現行手法の限界に対処する多視点拡散モデルを用いて,新しい3DGSフレームワークであるGS-Diffを提案する。
マルチビュー入力に条件付き擬似観測を生成することにより、制約の少ない3次元再構成問題をよく表されたものに変換する。
4つのベンチマークの実験では、GS-Diffは最先端のベースラインをかなりのマージンで一貫して上回っている。
論文 参考訳（メタデータ） (2025-04-02T17:59:46Z) - See In Detail: Enhancing Sparse-view 3D Gaussian Splatting with Local Depth and Semantic Regularization [14.239772421978373]
3次元ガウス散乱(3DGS)は、新規なビュー合成において顕著な性能を示した。
しかし、そのレンダリング品質は、粗いインフットビューによって劣化し、歪んだコンテンツと細部が減少する。
本稿では,事前情報を取り入れたスパースビュー3DGS法を提案する。
LLFFデータセット上でPSNRを最大0.4dB改善し、最先端の新規ビュー合成手法より優れる。
論文 参考訳（メタデータ） (2025-01-20T14:30:38Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - 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) - 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)
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。