論文の概要: AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2607.01290v2
• Date: Fri, 03 Jul 2026 06:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 13:04:58.437135
• Title: AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting
• Title（参考訳）: AnchorSplat:Gaussian Splattingのための高速かつ構造に整った詳細合成
• Abstract要約: 3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。 既存の資産は、詳細の欠如やテクスチャノイズのような品質のボトルネックに悩まされることが多い。 そこで我々は,AnchorSplatという3Dネイティブリファインメントパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 45.65377534924918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D Gaussian Splatting (3DGS) has emerged as a powerful representation for high-fidelity rendering. However, existing assets often suffer from quality bottlenecks such as missing details and texture noise. Prior attempts to enhance these assets via 2D image processing introduce multi-view inconsistencies and high computational costs. In this paper, we propose a novel 3D-native refinement paradigm named AnchorSplat. AnchorSplat is an end-to-end deep network operating directly on 3D structures, avoiding the expensive optimization overhead of traditional 3D-2D-3D pipelines. Crucially, AnchorSplat is a strictly source-free solution requiring no original multi-view images. Central to the proposed method is the Point Anchor Mechanism, which enforces geometric consistency via local offset constraints, mitigating ill-posed mapping and gradient confounding. Furthermore, AnchorSplat replaces iterative densification with a single-pass multiplication mechanism. To facilitate research, we construct 3DGS-SR, the first large-scale benchmark for this task. Experiments demonstrate state-of-the-art results on the 3DGS-SR dataset, with throughput up to $10^5$ times faster than optimization methods. Notably, AnchorSplat exhibits robust zero-shot generalization across diverse data distributions, including generative model outputs and real-world scans.
• Abstract（参考訳）: 3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。 しかし、既存の資産は、詳細やテクスチャノイズの欠如など、品質上のボトルネックに悩まされることが多い。 2次元画像処理によってこれらの資産を拡張しようとする以前の試みは、多視点不整合と高い計算コストをもたらす。 本稿では,AnchorSplatという新しい3Dネイティブリファインメントパラダイムを提案する。 AnchorSplatは3D構造を直接運用するエンドツーエンドのディープネットワークであり、従来の3D-2D-3Dパイプラインの高価な最適化オーバーヘッドを回避する。 重要な点として、AnchorSplatは、オリジナルのマルチビューイメージを必要としない厳密なソースフリーのソリューションである。 提案手法の中心となるのはポイントアンカー機構であり、これは局所的なオフセット制約によって幾何的一貫性を強制し、不適切な写像と勾配の共起を緩和する。 さらに、AnchorSplatは反復的な密度化をシングルパス乗算機構で置き換える。 本研究では,この課題に対する最初の大規模ベンチマークである3DGS-SRを構築した。 実験では、3DGS-SRデータセットで最新の結果を示し、スループットは最適化手法の最大10^5$以上である。 特に、AnchorSplatは、生成モデル出力や実世界のスキャンなど、さまざまなデータ分布にまたがる堅牢なゼロショットの一般化を示している。

関連論文リスト

• InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis [49.87457834078904]
  InfiniSplatはフィードフォワードのシングルイメージ3DGSフレームワークで、ピクセル整列表現から表面整列表現へ移行する。 InfiniSplatは、単一イメージのフィードフォワードベースラインと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-03T16:17:39Z)
• QuerySplat: Decoupling Geometry and Appearance Representations in 3DGS Prediction [25.05567017307621]
  textbfQuerySplatは、幾何学的先行と明示的な外見の疎結合によって駆動されるフィードフォワード3DGSフレームワークである。 実験によると、QuerySplatは初期のクエリベースのモデルの曖昧なレンダリング問題を緩和する。 挑戦的なDL3DVベンチマークでは、ポーズフリーでポーズ要求のベースラインよりも平均2.30dBと1.04dBのPSNRゲインを持つ最先端の新規ビュー合成性能を達成している。
  論文  参考訳（メタデータ） (2026-08-02T12:12:02Z)
• MAC-Splat: Multi-Attribute Consistency for High-Fidelity Sparse-View Reconstruction [22.10774833540097]
  直接的な3D整合性管理を基盤としたトレーニングフレームワークを提案する。 MAC-SplatはMASt3Rの幾何学的バックボーンと凍結したDINOv3エンコーダの上に構築され、意味的に情報を得た2D通信を得る。 ScanNet++の実験では、MAC-Splatは強力なベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-12T14:50:08Z)
• GSCompleter: A Distillation-Free Plugin for Metric-Aware 3D Gaussian Splatting Completion in Seconds [25.00064989891048]
  GSCompleterは蒸留不要のプラグインで、シーン補完を安定した"Generate-then-Register"ワークフローに移行する。 提案手法は,まず可塑性2D参照画像を合成し,ロバストなステレオアンカー機構を用いて,メートルスケールの3Dプリミティブに明示的に持ち上げる。 この高速な登録パラダイムへのシフトは、3つの異なるベンチマークで優れた3DGS補完性能を提供する。
  論文  参考訳（メタデータ） (2026-04-22T03:47:25Z)
• PointSplat: Efficient Geometry-Driven Pruning and Transformer Refinement for 3D Gaussian Splatting [2.5823344978857388]
  3D Gaussian Splattingは最近、明示的な3Dプリミティブを使用してシーンを表現することによって、リアルタイムで高忠実なノベルビュー合成をアンロックした。 従来の手法では複雑なシーンを捉えるために何百万人ものガウシアンを必要とすることが多く、メモリとストレージの要求が大きくなった。 近年のアプローチでは、ガウスパラメータのプルーニングとシーン毎の微調整によってこの問題に対処し、視覚的品質を維持しながらモデルサイズを削減している。
  論文  参考訳（メタデータ） (2026-04-10T20:56:18Z)
• SurfSplat: Conquering Feedforward 2D Gaussian Splatting with Surface Continuity Priors [23.876164780443915]
  SurfSplatは2D Gaussian Splatting (2DGS)プリミティブに基づいたフィードフォワードフレームワークである。 表面の連続性を前もって組み込むことで、SurfSplatは忠実なテクスチャとともにコヒーレントな幾何学を再構築する。 HRRC(High-Resolution Rendering Consistency)は,高分解能の再現性を評価するための新しい評価指標である。
  論文  参考訳（メタデータ） (2026-02-02T11:58:26Z)
• SeqAffordSplat: Scene-level Sequential Affordance Reasoning on 3D Gaussian Splatting [85.87902260102652]
  本稿では, 連続3次元ガウシアン・アフラマンス推論の課題について紹介する。 次に,SeqSplatNetを提案する。SqSplatNetは,命令を直接3Dアベイランスマスクのシーケンスにマッピングするエンドツーエンドフレームワークである。 本手法は,1段階のインタラクションから,シーンレベルでの複雑なシーケンシャルなタスクへの可利用性推論を効果的に向上させる。
  論文  参考訳（メタデータ） (2025-07-31T17:56:55Z)
• 3DAffordSplat: Efficient Affordance Reasoning with 3D Gaussians [82.67236400004826]
  人間の指示を3Dオブジェクトの機能領域に関連付けるためには,3D割当推論が不可欠である。 3DAffordSplatは3DGSベースの価格推論に適した,最初の大規模マルチモーダルデータセットである。 AffordSplatNetは,3DGS表現を用いた割当推論に特化して設計された新しいモデルである。
  論文  参考訳（メタデータ） (2025-04-15T14:21:47Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• 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)

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。