論文の概要: Targeted Structure Completion for Sparse-View 3D Reconstruction in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2607.04661v1
• Date: Mon, 06 Jul 2026 04:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.037165
• Title: Targeted Structure Completion for Sparse-View 3D Reconstruction in Autonomous Driving
• Title（参考訳）: 自律走行におけるスパースビュー3次元再構成のための目標構造補完
• Authors: Guoqing Wang, Pin Tang, Xiangxuan Ren, Liping Hou, Chao Ma,
• Abstract要約: 細かな低オーバーラップ観測から3Dシーン構造を再構築することは、自動運転の基本的な課題である。 提案するFocusGSは,このパラダイムをグローバルな密度化から,対象とする構造的完備化へシフトさせるフレームワークである。 FocusGSは、運転中心ベンチマークの最先端性能を向上し、優れた効率品質のトレードオフを実現していることを示す。
• 参考スコア（独自算出の注目度）: 13.279942633870702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing 3D scene structures from sparse, low-overlap observations remains a fundamental challenge in autonomous driving. Recent state-of-the-art frameworks achieve promising results by incorporating voxel-based Gaussians, but incur substantial computational redundancy due to a uniform volumetric processing strategy. To bridge the gap between the efficiency of pixel-based Gaussian methods and the structural completeness of voxel-based Gaussian approaches, we propose FocusGS, a simple yet effective framework that shifts the paradigm from global densification to targeted structural completion. Our central insight is that structural completion should be decoupled from deterministic regions, with computation concentrated exclusively on areas exhibiting geometric ambiguity. Specifically, FocusGS addresses the localization challenge by deriving a 3D Geometric Ambiguity Manifold to accurately isolate localized areas prone to occlusion and high geometric uncertainty. To overcome the subsequent manifold completion challenge, we design a lightweight targeted structure completion module that selectively instantiates and optimizes continuous Gaussian queries strictly within this unstructured, sparse topological subspace. Extensive experiments demonstrate that FocusGS achieves a superior efficiency-quality trade-off, advancing state-of-the-art performance on driving-centric benchmarks while naturally reducing the total number of Gaussians by ~74% and decreasing rendering time by ~34%.
• Abstract（参考訳）: 3Dシーン構造を疎らで低オーバーラップな観測から再構築することは、自動運転の基本的な課題である。 最近の最先端のフレームワークは、ボクセルベースのガウスを組み込むことで有望な結果を得るが、均一なボリューム処理戦略により、かなりの計算冗長性が得られる。 画素ベースガウス法の効率性とボクセルベースガウスアプローチの構造的完全性とのギャップを埋めるために,グローバルデシフィケーションからターゲット構造的コンプリートへパラダイムをシフトする,シンプルで効果的なフレームワークであるFocusGSを提案する。 我々の中心的な洞察は、構造的完備化は決定論的領域から切り離されるべきであり、計算は幾何学的曖昧さを示す領域にのみ集中しているということである。 特に、FocusGSは3次元幾何学的あいまいさマニフォールドを導出し、隠蔽や高い幾何学的不確実性に起因した局所化領域を正確に分離することで、ローカライゼーションの課題に対処する。 以降の多様体完備化の課題を克服するため、この非構造的かつスパースな位相部分空間内で、連続ガウス的クエリを選択的にインスタンス化し、最適化する軽量な対象構造完備化モジュールを設計する。 大規模な実験により、FocusGSは優れた効率品質のトレードオフを達成し、運転中心ベンチマークにおける最先端のパフォーマンスを向上し、ガウスの総数を74%、レンダリング時間を34%削減することを示した。

関連論文リスト

• NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
  3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。 本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-16T07:14:07Z)
• RMGS-SLAM: Real-time Multi-sensor Gaussian Splatting SLAM [19.6725809458616]
  実時間ポーズ推定とマッピングのための密結合型LiDAR-Inertial-Visual 3DGSベースのSLAMフレームワークを提案する。 提案手法は, リアルタイムの効率, ローカライズ精度, レンダリング品質において, 様々な実世界のシーンにまたがる品質を実現する。
  論文  参考訳（メタデータ） (2026-04-14T16:36:11Z)
• Hierarchical Informative Path Planning via Graph Guidance and Trajectory Optimization [10.020847331719398]
  エージェントがガウス過程 (GP) としてモデル化された潜伏場の測定を収集し, 対象地における不確実性を低減するため, 乱雑な環境下での移動予算を考慮した情報経路計画 (IPP) について検討する。 i) グラフに基づくグローバルプランニング, (ii) 幾何学的およびカーネル境界を用いたセグメント単位の予算配分, (iii) 厳密な制約と障害物刈取を伴う各セグメントのスプラインベース改良の3段階からなる階層的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-23T23:27:20Z)
• COSMOS: Coherent Supergaussian Modeling with Spatial Priors for Sparse-View 3D Splatting [2.549594916296063]
  3D Gaussian Splatting(3DGS)は,最近3D再構築の有望なアプローチとして登場した。 この問題に対処するために,Coherent Supergaussian Modeling with Spatial Priors (COSMOS)を提案する。 Blender と DTU に関する実験により,COSMOS は外部深度監視を伴わないスパースビュー設定において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-12-17T04:55:15Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• Multi-Sample Anti-Aliasing and Constrained Optimization for 3D Gaussian Splatting [6.336372495476242]
  本稿では,マルチサンプル・アンチエイリアスと2つの幾何学的制約を組み合わせた総合最適化フレームワークを提案する。 本システムでは,4重サブサンプルの適応ブレンディングにより画素色を計算し,高周波成分のエイリアスを効果的に低減する。 本手法は,特に高周波テクスチャと鋭い不連続の保存において,詳細な保存における最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-14T10:14:36Z)
• 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)
• 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)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)

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。