論文の概要: Structure-Aware Gaussian Splatting for Large-Scale Scene Reconstruction

• arxiv url: http://arxiv.org/abs/2607.01698v1
• Date: Thu, 02 Jul 2026 04:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.662083
• Title: Structure-Aware Gaussian Splatting for Large-Scale Scene Reconstruction
• Title（参考訳）: 大規模シーン再構成のための構造認識型ガウススプラッティング
• Authors: Weiyi Xue, Fan Lu, Chi Zhang, Tianhang Wang, Sanqing Qu, Zehan Zheng, Boyuan Zheng, Junqiao Zhao, Guang Chen,
• Abstract要約: ガウス周波数と画像の監視を同期する新しいスケジューラであるSIGを提案する。 具体的には,3次元表現の平均サンプリング周波数と帯域幅を導出し,トレーニング画像の解像度とガウス密度化過程を制御する。 我々のフレームワークは、周波数一貫性、幾何認識、浮動小数点学習を可能にし、効率とレンダリング品質の両面でかなりの差で最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 25.32043603138213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D Gaussian Splatting has demonstrated remarkable potential in novel view synthesis. In contrast to small-scale scenes, large-scale scenes inevitably contain sparsely observed regions with excessively sparse initial points. In this case, supervising Gaussians initialized from low-frequency sparse points with high-frequency images often induces uncontrolled densification and redundant primitives, degrading both efficiency and quality. Intuitively, this issue can be mitigated with scheduling strategies, which can be categorized into two paradigms: modulating target signal frequency via densification and modulating sampling frequency via image resolution. However, previous scheduling strategies are primarily hardcoded, failing to perceive the convergence behavior of scene frequency. To address this, we reframe the scene reconstruction problem from the perspective of signal structure recovery and propose SIG, a novel scheduler that synchronizes image supervision with Gaussian frequencies. Specifically, we derive the average sampling frequency and bandwidth of 3D representations, and then regulate the training image resolution and the Gaussian densification process based on scene frequency convergence. Furthermore, we introduce Sphere-Constrained Gaussians, which leverage the spatial prior of initialized point clouds to control Gaussian optimization. Our framework enables frequency-consistent, geometry-aware, and floater-free training, achieving state-of-the-art performance by a substantial margin in both efficiency and rendering quality in large-scale scenes. The code is available at: https://github.com/weiyixue999/Signal_Structure_Aware_Gaussian
• Abstract（参考訳）: 3次元ガウススプラッティングは、新規なビュー合成において顕著な可能性を証明している。 小規模のシーンとは対照的に、大規模なシーンは必然的に、過度に粗い初期点を持つわずかに観察された領域を包含する。 この場合、高頻度画像を用いた低周波スパース点から初期化されたガウスの監視は、しばしば制御されていない密度化と冗長なプリミティブを誘導し、効率と品質の両方を劣化させる。 直感的には、この問題をスケジューリング戦略で緩和することができ、ターゲット信号周波数の密度化による変調と、画像解像度によるサンプリング周波数の変調の2つのパラダイムに分類することができる。 しかし、従来のスケジューリング戦略は主にハードコードされており、シーン周波数の収束挙動を認識できない。 そこで我々は,信号構造回復の観点からシーン再構成問題を再構成し,ガウス周波数と画像の監視を同期させる新しいスケジューラSIGを提案する。 具体的には,3次元表現の平均サンプリング周波数と帯域幅を導出し,シーン周波数収束に基づくトレーニング画像の解像度とガウス密度化過程を制御する。 さらに,初期化点雲の空間的先行を利用してガウス最適化を制御する球制約ガウスについて紹介する。 我々のフレームワークは、大規模シーンにおける効率とレンダリング品質の両面でかなりの差で最先端の性能を達成し、周波数一貫性、幾何認識、浮動小数点学習を可能にする。 https://github.com/weiyixue999/Signal_Structure_Aware_Gaussian

関連論文リスト

• Fi-Gaussian: Frequency-Aware Implicit Gaussian Splatting for Single Image Dehazing [25.472500911155347]
  単一画像復調のための暗黙的ガウススティングネットワークFi-Gaussianを提案する。 Fi-Gaussianは最先端の定量的性能を達成し、視覚的に優れたデハズド結果を生成する。
  論文  参考訳（メタデータ） (2026-06-15T03:31:41Z)
• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• DenoiseGS: Gaussian Reconstruction Model for Burst Denoising [29.507111067242118]
  バースト復調のための3次元ガウススプラッティングの効率性を活用した最初のフレームワークであるDenoiseGSを提案する。 提案手法は,雑音入力にフィードフォワードガウス再構成モデルを適用する際の2つの重要な課題に対処する。 実験により、DenoiseGSはバーストデノイングと新規ビュー合成の両方において最先端のNeRFベースの手法をはるかに上回っていることが示された。
  論文  参考訳（メタデータ） (2025-11-28T07:29:54Z)
• RobustSplat: Decoupling Densification and Dynamics for Transient-Free 3DGS [79.15416002879239]
  3D Gaussian Splattingは、ノベルビュー合成と3Dモデリングにおけるリアルタイム、フォトリアリスティックレンダリングにおいて大きな注目を集めている。 既存の手法は、過渡的なオブジェクトに影響されたシーンを正確にモデル化するのに苦労し、描画された画像のアーティファクトに繋がる。 2つの重要な設計に基づく堅牢なソリューションであるRobustSplatを提案する。
  論文  参考訳（メタデータ） (2025-06-03T11:13:48Z)
• 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)
• CoherentGS: Sparse Novel View Synthesis with Coherent 3D Gaussians [18.42203035154126]
  2次元画像空間で制御できる構造付きガウス表現を導入する。 次に、ガウス群、特にその位置を制約し、最適化中に独立に動くのを防ぐ。 我々は,様々な場面における最先端のスパースビュー NeRF ベースのアプローチと比較して,顕著な改善を示した。
  論文  参考訳（メタデータ） (2024-03-28T15:27:13Z)
• FreGS: 3D Gaussian Splatting with Progressive Frequency Regularization [67.47895278233717]
  周波数空間における過度再構成問題に対処するために, 進行周波数正規化手法を開発した。 FreGSは優れた斬新なビュー合成を実現し、最先端の技術を一貫して上回っている。
  論文  参考訳（メタデータ） (2024-03-11T17:00:27Z)

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。