論文の概要: Sparse-View Surface Reconstruction using Gaussian Splatting through High-Confidence Depth Propagation with Normal Priors

• arxiv url: http://arxiv.org/abs/2607.03765v1
• Date: Sat, 04 Jul 2026 08:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.71043
• Title: Sparse-View Surface Reconstruction using Gaussian Splatting through High-Confidence Depth Propagation with Normal Priors
• Title（参考訳）: 高信頼深さ伝播によるガウス平滑化によるスパークビュー表面の再構成
• Abstract要約: スパースビューからの高忠実度表面再構成のための3DGSに基づく新しい手法を提案する。 我々の重要な洞察は、通常の誘導深度伝播アプローチを導入することである。 本手法は,スパース・ビュー・サーフェス・コンストラクションにおける最先端の手法よりも優れる。
• 参考スコア（独自算出の注目度）: 88.6801530914898
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 3D reconstruction from sparse views is a challenging task in 3D computer vision. Recent studies on 3D Gaussian Splatting (3DGS) have achieved remarkable results with sparse views in novel view synthesis, yet reconstructing high-quality geometric surfaces from sparse views remains a challenge, due to the limited geometry clues and the discreteness of Gaussians. In this paper, we propose a novel 3DGS-based method for high-fidelity surface reconstruction from sparse views. Our key insight is to introduce a normal-guided depth propagation approach, which can extend depth information from high-confidence regions to constrain the depth in low-confidence areas. Additionally, we propose an abnormal depth edge-aware regularization to address depth discontinuities caused by the discreteness of Gaussians. Extensive experiments on DTU and Tanks-and-Temples datasets demonstrate that our method outperforms the state-of-the-art methods in sparse view surface reconstruction. Project page: https://hanl2010.github.io/DP-GS.
• Abstract（参考訳）: スパースビューからの3D再構成は、3Dコンピュータビジョンにおいて難しい課題である。 近年の3Dガウススプラッティング(3DGS)の研究は、新しいビュー合成におけるスパースビューで顕著な成果を上げているが、スパースビューから高品質な幾何学曲面を再構成することは、ガウスの幾何学的手がかりと離散性のために、依然として課題である。 本稿では,スパースビューからの高忠実度表面再構成のための3DGSに基づく新しい手法を提案する。 我々の重要な洞察は、高信頼領域から深度情報を拡張し、低信頼領域の深度を制限できる正常誘導深度伝播手法を導入することである。 さらに,ガウスの離散性に起因する深度不連続性に対応するために,異常深度認識正規化を提案する。 DTUとTamples-and-Templesデータセットの大規模な実験により、この手法はスパース・ビュー・サーフェス・コンストラクションにおいて最先端の手法よりも優れていることが示された。 プロジェクトページ: https://hanl2010.github.io/DP-GS

関連論文リスト

• In Depth We Trust: Reliable Monocular Depth Supervision for Gaussian Splatting [22.674046124865196]
  幾何的監督にスケールあいまいでノイズの多い奥行きを取り入れたトレーニングフレームワークを導入する。 多様なデータセットに対する実験では、幾何精度が一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-04-07T11:15:15Z)
• GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
  2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。 提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。 GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-16T03:38:26Z)
• RDG-GS: Relative Depth Guidance with Gaussian Splatting for Real-time Sparse-View 3D Rendering [13.684624443214599]
  本稿では,3次元ガウススプラッティングに基づく相対深度誘導を用いた新しいスパースビュー3DレンダリングフレームワークRDG-GSを提案する。 中心となる革新は、相対的な深度誘導を利用してガウス場を洗練させ、ビュー一貫性のある空間幾何学的表現に向けてそれを操ることである。 Mip-NeRF360, LLFF, DTU, Blenderに関する広範な実験を通じて、RDG-GSは最先端のレンダリング品質と効率を実証している。
  論文  参考訳（メタデータ） (2025-01-19T16:22:28Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• GSurf: 3D Reconstruction via Signed Distance Fields with Direct Gaussian Supervision [3.2944910942497985]
  マルチビュー画像からの表面再構成は3次元視覚における中核的な課題である。 近年, ニューラル・レージアンス・フィールド(NeRF)内のサイン付き距離場(SDF)を探索し, 高忠実な表面再構成を実現している。 本稿では,ガウス原始体から直接符号付き距離場を学習する新しいエンドツーエンド手法であるGSurfを紹介する。 GSurfは、VolSDFやNeuSといったニューラルな暗黙的表面法に匹敵する3D再構成品質を提供しながら、高速なトレーニングとレンダリングの速度を達成する。
  論文  参考訳（メタデータ） (2024-11-24T05:55:19Z)
• 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)
• Normal-guided Detail-Preserving Neural Implicit Function for High-Fidelity 3D Surface Reconstruction [6.4279213810512665]
  本稿では,1次微分特性(表面正規度)を持つニューラル表現のトレーニングが,高精度な3次元表面再構成をもたらすことを示す。 実験により,本手法は最小限の視点で最先端の復元精度を達成できることが実証された。
  論文  参考訳（メタデータ） (2024-06-07T11:48:47Z)
• Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
  3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。 これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。 本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:18:30Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)

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。