論文の概要: AdaptiveSplat:Texture Aware Controllable 3D Gaussian Allocation for Feed-Forward Reconstruction
- arxiv url: http://arxiv.org/abs/2607.04256v1
- Date: Sun, 05 Jul 2026 12:12:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.877282
- Title: AdaptiveSplat:Texture Aware Controllable 3D Gaussian Allocation for Feed-Forward Reconstruction
- Title（参考訳）: AdaptiveSplat:フィードフォワード再構成のための3次元ガウス配置制御機能
- Abstract要約: 現行のフィードフォワード3D再構成手法はガウスプリミティブを画素整列して予測し、非常に冗長な表現をもたらす。
本稿では,局所テクスチャ情報を活用することでガウスの数を明示的に制御する手法を提案する。
- 参考スコア（独自算出の注目度）: 5.628330816745199
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Current feed-forward 3D reconstruction methods predict pixel aligned Gaussian primitives, resulting in highly redundant representations. A natural solution is to prune the redundant Gaussians, but naive pruning introduces severe artifacts and often requires inference time fine-tuning, breaking the feed-forward paradigm. Based on previous works, high frequency regions require more Gaussian primitives, while low frequency regions can be represented with significantly fewer primitives. Motivated by this, we propose a novel approach to explicitly control the number of Gaussians by leveraging local texture information. Our approach achieves this through three key components: (1) texture estimation to capture spatial variation in scene detail, (2) texture-aware pruning that removes redundant Gaussians from low frequency regions, and (3) an adaptive Gaussian head that predicts the modified attributes of the retained primitives without breaking the feed-forward paradigm. Experiments on RE10K, ACID, DL3DV, Tanks and Temples, and DTU demonstrate the effectiveness of our approach, while ablation studies validate the contributions of its key components.
- Abstract（参考訳）: 現行のフィードフォワード3D再構成手法はガウスプリミティブを画素整列して予測し、非常に冗長な表現をもたらす。
自然な解決策は冗長なガウシアンを挑発することだが、素直なプルーニングは深刻なアーティファクトを導入し、しばしば推論時間による微調整を必要とし、フィードフォワードのパラダイムを破る。
以前の研究に基づいて、高周波領域はよりガウス的プリミティブを必要とし、低周波数領域は著しく少ないプリミティブで表現することができる。
そこで本研究では,局所テクスチャ情報を活用することにより,ガウス人の数を明示的に制御する手法を提案する。
提案手法は,(1)シーンの空間的変動を捉えるテクスチャ推定,(2)低周波領域から冗長なガウスを除去するテクスチャ認識プルーニング,(3)フィードフォワードパラダイムを破ることなく保持プリミティブの修正属性を予測する適応ガウスヘッドの3つの重要な構成要素によって実現される。
RE10K, acid, DL3DV, Tanks and Temples, DTU に対する実験により, 本手法の有効性が示された。
関連論文リスト
- REFINE: Super-efficient 3D Gaussian Splatting Pruning via Rendering-Free Primitive Importance [58.94345609736356]
REFINEは、新しいレンダリングフリープリミティブ・プライマリ・プライマリ・メトリックを中心に、高度に高速化された3DGSプルーニング・フレームワークである。
複数のベンチマークデータセットに対する実験は、REFINEが非常に競争力のあるレンダリング品質を維持していることを示している。
論文 参考訳（メタデータ） (2026-06-08T06:16:38Z) - PairDropGS: Paired Dropout-Induced Consistency Regularization for Sparse-View Gaussian Splatting [81.95709983545666]
ドロップアウトに基づくスパースビュー3DGS法は、トレーニング中にガウス原始体をランダムに抑制することで過度な適合を緩和する。
PairDropGS, Paired Dropout-induced Consistency Regularization framework for sparse-view Gaussian splattingを提案する。
PairDropGSはトレーニングの安定性が向上し、既存のドロップアウトベースの3DGS手法よりも再現性が高いことが、広く使用されているスパースビューベンチマークで実証された。
論文 参考訳（メタデータ） (2026-05-12T13:00:39Z) - TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens [25.44390249542703]
我々は、カメラ線に沿った奥行きが最適であるとして、ガウスを退避させる一般的な実践は、準最適であると主張する。
本稿では,自己教師付きレンダリング損失のみを用いて,3次元平均座標を直接回帰する手法を提案する。
提案手法であるTokenGSは、ノイズやマルチビューの不整合に対処するための堅牢性の向上を実証する。
論文 参考訳（メタデータ） (2026-04-16T17:12:37Z) - F4Splat: Feed-Forward Predictive Densification for Feed-Forward 3D Gaussian Splatting [28.800888081472422]
本稿では,フィードフォワード3次元ガウス分割のためのフィードフォワード予測デンシフィケーションを行うF4Splatを提案する。
本モデルでは, 地域ごとの密度化スコアを推定し, 必要なガウス密度を推定し, 最終ガウス予算の明示的な制御を可能にする。
実験により,従来のフィードフォワード法と比較して,本モデルが優れた新規ビュー合成性能を発揮することが示された。
論文 参考訳（メタデータ） (2026-03-22T16:03:56Z) - Re-Activating Frozen Primitives for 3D Gaussian Splatting [22.003309830812825]
3D Gaussian Splatting (3D-GS) はリアルタイムなフォトリアリスティックなノベルビュー合成を実現するが、過度に再構成されたアーティファクトのために複雑なシーンと競合する。
本稿では,リアクティベーションの原理に基づく手法であるReAct-GSを紹介する。
本稿では,ReAct-GSがオーバーコンストラクションのアーティファクトを効果的に排除し,標準的な新規ビュー合成メトリクスの最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2025-10-21T15:38:18Z) - Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。
我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。
提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
論文 参考訳（メタデータ） (2025-06-15T19:12:37Z) - ProtoGS: Efficient and High-Quality Rendering with 3D Gaussian Prototypes [81.48624894781257]
3D Gaussian Splatting (3DGS) は、新しいビュー合成において大きな進歩を遂げてきたが、ガウスプリミティブのかなりの数によって制限されている。
近年の手法では、密度の高いガウスの記憶容量を圧縮することでこの問題に対処しているが、レンダリングの品質と効率の維持には失敗している。
本稿では,ガウスの原始体を表現するためにガウスのプロトタイプを学習するProtoGSを提案し,視覚的品質を犠牲にすることなくガウスの総量を大幅に削減する。
論文 参考訳（メタデータ） (2025-03-21T18:55:14Z) - 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) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - GES: Generalized Exponential Splatting for Efficient Radiance Field Rendering [112.16239342037714]
GES(Generalized Exponential Splatting)は、GEF(Generalized Exponential Function)を用いて3Dシーンをモデル化する斬新な表現である。
周波数変調損失の助けを借りて、GESは新規なビュー合成ベンチマークにおいて競合性能を達成する。
論文 参考訳（メタデータ） (2024-02-15T17:32:50Z)
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。