論文の概要: MACRO: Training-free Multi-plane Attention for Closeup Render Optimization

• arxiv url: http://arxiv.org/abs/2607.03875v1
• Date: Sat, 04 Jul 2026 13:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.742364
• Title: MACRO: Training-free Multi-plane Attention for Closeup Render Optimization
• Title（参考訳）: MACRO:クローズアップレンダリング最適化のためのトレーニング不要マルチプレーンアテンション
• Abstract要約: クローズアップレンダリングは、あらゆるトレーニングカメラをはるかに超えてシーンにズームインし、バーチャルプロダクションとインタラクティブな3Dコンテンツにとって重要である。 この失敗を分析し、その根本原因、すなわちクローズアップと参照ビューのスケールギャップを特定します。 3DGSから高品質なクローズアップ新規ビュー合成のための訓練不要な手法であるMACROを紹介した。
• 参考スコア（独自算出の注目度）: 9.998221393259803
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Close-up rendering, zooming into a scene well beyond any training camera, is important for virtual production and interactive 3D content, yet remains an open challenge. 3D Gaussian splatting (3DGS) enables high-fidelity, real-time novel view synthesis, but its rendering quality degrades at close range. Recent diffusion-based methods that enhance the rendering by conditioning on reference images from the training set produce significant artifacts in this setting. We analyze this failure and identify its root cause: the scale gap between the close-up and reference views. We show that the features in reference-conditioned enhancement models are not scale-invariant, causing cross-view attention to retrieve incorrect correspondences when the same content appears at different scales, and that this mismatch cannot be corrected in latent space because the VAE encoder is not scale-equivariant. Building on this analysis we introduce MACRO, Multi-plane Attention for Closeup Render Optimization, a training-free method for high-quality close-up novel view synthesis from 3DGS. MACRO resolves the scale gap by leveraging the scene's known 3D structure: it decomposes the close-up into depth planes, crops and resizes references in image space to match the scale of each plane before encoding, and applies a depth-aware attention mask so each token attends only to scale-matched references. The method requires no architectural changes or additional training. We further contribute two new close-up novel view synthesis benchmarks, the first standardized evaluation protocol for this setting, and demonstrate state-of-the-art results on both, outperforming existing 3DGS and diffusion-based methods on both reconstruction and perceptual metrics. Project page: https://nitzanhod.github.io/MACRO
• Abstract（参考訳）: クローズアップレンダリングは、あらゆるトレーニングカメラをはるかに超えたシーンにズームインし、バーチャルプロダクションとインタラクティブな3Dコンテンツにとって重要であるが、依然としてオープンな課題である。 3Dガウススプラッティング(3DGS)は高忠実でリアルタイムな新規なビュー合成を可能にするが、そのレンダリング品質は近距離で劣化する。 トレーニングセットからの参照画像の条件付けによりレンダリングを向上させる拡散ベースの最近の手法は、この設定において重要なアーティファクトを生成する。 この失敗を分析し、その根本原因、すなわちクローズアップと参照ビューのスケールギャップを特定します。 参照条件付きエンハンスメントモデルの特徴はスケール不変ではなく、異なるスケールで同じコンテンツが現れると、クロスビューアテンションが不適切な対応を検索し、VAEエンコーダがスケール不変ではないため、遅延空間ではこのミスマッチを修正できないことを示す。 この分析に基づいて、3DGSから高品質なクローズアップ・ノウハウ・ビュー・シンセサイザーのためのトレーニングフリー手法であるMACRO(Multi-plane Attention for Closeup Render Optimization)を紹介する。 MACROはシーンの既知の3D構造を利用してスケールギャップを解消する: クローズアップはエンコーディング前の各平面のスケールに合わせて、画像空間内の参照を深度平面に分解し、再サイズし、各トークンがスケールマッチングされた参照にのみ参加するように奥行き対応の注意マスクを適用する。 アーキテクチャの変更や追加のトレーニングは必要ありません。 さらに、この設定のための最初の標準化された評価プロトコルであるクローズアップなビュー合成ベンチマークを新たに2つ提供し、既存の3DGSおよび拡散法よりも高い精度で再現性と知覚性の両方について、最先端の結果を示す。 プロジェクトページ:https://nitzanhod.github.io/MACRO

関連論文リスト

• Sparse-to-Complete: From Sparse Image Captures to Complete 3D Scenes [32.47917212506622]
  S2C-3Dは、6枚から8枚までの高忠実で完全なシーン再構築のための新しいスパースビュー3D再構成フレームワークである。 本フレームワークは,シーン固有の画像復元のための特殊拡散モデル,トレーニング不要なビューコンディスタンス条件付きサンプリングプロセス,カメラ軌道計画スキームの3つのコンポーネントを特徴とする。
  論文  参考訳（メタデータ） (2026-05-07T04:41:30Z)
• LSRM: High-Fidelity Object-Centric Reconstruction via Scaled Context Windows [10.300202521638274]
  本研究では,大規模スパース再構成モデルを導入し,拡張型コンテクストウィンドウがフィードフォワード3D再構成に与える影響について検討する。 アクティブなオブジェクトや画像トークンの数を大幅に増やすことで、コンテキストウィンドウを拡大することで、このギャップを著しく狭め、高忠実度な3Dオブジェクト再構成と逆レンダリングを可能にします。
  論文  参考訳（メタデータ） (2026-04-06T21:21:12Z)
• S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs [53.597239706600455]
  Sparse to Dense lifting (S2D)は、2つの表現をブリッジし、最小限の入力で高品質な3DGS再構成を実現するパイプラインである。 実験により、S2Dは、異なる入力空間下で、新しいビューガイダンスと第1階層のスパースビュー再構成品質を生成する際に、最良の整合性を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-11T15:37:20Z)
• Joint Semantic and Rendering Enhancements in 3D Gaussian Modeling with Anisotropic Local Encoding [86.55824709875598]
  本稿では,セマンティックとレンダリングの両方を相乗化する3次元セマンティックガウスモデリングのための統合拡張フレームワークを提案する。 従来の点雲形状符号化とは異なり、細粒度3次元形状を捉えるために異方性3次元ガウシアン・チェビシェフ記述子を導入する。 我々は、学習した形状パターンを継続的に更新するために、クロスシーンの知識伝達モジュールを使用し、より高速な収束と堅牢な表現を可能にします。
  論文  参考訳（メタデータ） (2026-01-05T18:33:50Z)
• C3G: Learning Compact 3D Representations with 2K Gaussians [55.04010158339562]
  近年の手法では3次元ガウススプラッティングを再構成に用い, シーン理解のための2D-to-3D機能昇降ステージが提案されている。 提案するC3Gは,空間的にのみコンパクトな3次元ガウスを推定する新しいフィードフォワードフレームワークである。
  論文  参考訳（メタデータ） (2025-12-03T17:59:05Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• Enhancing Novel View Synthesis from extremely sparse views with SfM-free 3D Gaussian Splatting Framework [14.927184256861807]
  本稿では,SfMフリーな3DGSを用いたカメラのポーズを推定し,非常にスムーズな視点から3Dシーンを再構成する手法を提案する。 提案手法は,PSNRの高度2.75dB改善を極端に軽視条件下で達成し,他の最先端3DGS法よりも優れていた。
  論文  参考訳（メタデータ） (2025-08-21T11:25:24Z)
• 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)
• GSplatLoc: Grounding Keypoint Descriptors into 3D Gaussian Splatting for Improved Visual Localization [1.4466437171584356]
  軽量なXFeat特徴抽出器から高密度かつ堅牢なキーポイント記述器を3DGSに統合する2段階の手順を提案する。 第2段階では、レンダリングベースの光度ワープ損失を最小限に抑え、初期ポーズ推定を洗練させる。 広く使われている屋内および屋外データセットのベンチマークは、最近のニューラルレンダリングベースのローカライゼーション手法よりも改善されていることを示している。
  論文  参考訳（メタデータ） (2024-09-24T23:18:32Z)
• 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)

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。