論文の概要: WildSplat: Feedforward Gaussian Splatting from Unposed In-the-Wild Images
- arxiv url: http://arxiv.org/abs/2607.05347v1
- Date: Mon, 06 Jul 2026 17:29:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.26405
- Title: WildSplat: Feedforward Gaussian Splatting from Unposed In-the-Wild Images
- Title（参考訳）: WildSplat:未使用のIn-the-Wild画像からのフィードフォワードガウシアンスプレイティング
- Abstract要約: In-the-wild画像に対する外観条件付きノベルビュー合成が可能な最初のフィードフォワード型3次元ガウススプラッティングフレームワークWildSplatを紹介する。
本研究では、WildSplatが既存の最適化手法とフィードフォワード手法を超越し、ワンフォワードパスでのスパース入力からの出現編集と、最新技術による新規ビュー合成を実現することを示す。
- 参考スコア（独自算出の注目度）: 22.89871818686434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While feedforward 3D reconstruction excels at efficient novel view synthesis, it typically falters when faced with scenes under varying illumination. To this end, we introduce WildSplat, the first feedforward 3D Gaussian Splatting framework capable of appearance-conditioned novel-view synthesis for unposed in-the-wild images. To handle inconsistent photometric conditions, we propose a dual-branch architecture that explicitly decouples geometry from appearance. The geometry branch extracts an appearance-invariant 3D structure and jointly predicts camera poses. To govern the rendering appearance, the appearance branch injects target appearance cues into the content features via a globally pre-modulated cross-attention mechanism. To further prevent feature entanglement, we introduce a joint multi-reference training strategy that stabilizes the training process. Extensive experiments show that WildSplat surpasses existing optimization-based and feedforward methods, achieving state-of-the-art performance in in-the-wild novel view synthesis and appearance editing from sparse inputs in a single forward pass.
- Abstract（参考訳）: フィードフォワードの3D再構成は、効率的な新しいビュー合成において優れているが、通常、照明の異なるシーンに直面するとフェールする。
そこで我々はWildSplatを紹介した。WildSplatは最初のフィードフォワード型3Dガウス・スプレイティング・フレームワークで、未ポーズ画像に対する外観条件付きノベルビュー合成を可能にする。
不整合な測光条件に対処するため、図形を外見から明確に切り離すデュアルブランチアーキテクチャを提案する。
幾何学分枝は、外観不変な3D構造を抽出し、カメラポーズを共同予測する。
レンダリングの外観を管理するために、外見分岐は、グローバルに変調されたクロスアテンション機構を介して、ターゲット外観キューをコンテンツ特徴に注入する。
さらに,特徴の絡み合いを防止すべく,トレーニングプロセスを安定化する協調型マルチ参照トレーニング戦略を導入する。
広汎な実験により、WildSplatは既存の最適化手法とフィードフォワード法を超越し、ワンフォワードパスでのスパース入力からの出現編集と、その最新技術の性能を実現した。
関連論文リスト
- Capacity-Controlled Multi-View Stylization of 3D Gaussian Splatting [66.3033154284523]
3DGSのマルチビュースタイリングのためのキャパシティ制御フレームワークを提案する。
可変強度のカラム容量制約を導入することにより,複数対1のマッチングが緩和される。
また、シーンコンテンツとスタイルパターンの対応を制約するために、新しいクロスビューマッチングガイダンスを組み込んだ。
論文 参考訳（メタデータ） (2026-06-25T08:36:50Z) - Hierarchical Visual Relocalization with Nearest View Synthesis from Feature Gaussian Splatting [10.178028085803833]
視覚的再ローカライゼーションは3Dコンピュータビジョンの分野における基本的な課題であり、これまで知られていたシーンを再検討する際にカメラのポーズを推定する。
SplatHLocは,特徴ガウススプラッティングをシーン表現として用いた,新しい階層的視覚的再局在化フレームワークである。
我々は,SplatHLocが視覚的再局在の堅牢性を高め,新しい最先端技術を確立していることを示す。
論文 参考訳（メタデータ） (2026-03-31T02:51:14Z) - SplatBright: Generalizable Low-Light Scene Reconstruction from Sparse Views via Physically-Guided Gaussian Enhancement [26.905118897488077]
SplatBrightは、スパースsRGB入力からのジョイントローライト拡張と再構成のための最初の一般化可能な3Dガウスフレームワークである。
我々のキーとなる考え方は、物理的に誘導された照明モデリングと幾何学的外観の疎結合を統合して、一貫した低照度再構成を行うことである。
SplatBright は2D と 3D の両方の手法と比較して、目立たない低照度シーンに優れた新規ビュー合成、クロスビュー一貫性、そしてより良い一般化を実現している。
論文 参考訳（メタデータ） (2025-12-21T09:06:16Z) - HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。
提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。
その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
論文 参考訳（メタデータ） (2025-06-24T03:54:40Z) - AnySplat: Feed-forward 3D Gaussian Splatting from Unconstrained Views [68.94737256959661]
AnySplatは、未校正画像コレクションから新しいビューを合成するためのフィードフォワードネットワークである。
単一のフォワードパスは、シーン幾何学と外観の両方をコードする3Dガウスプリミティブのセットを生成する。
広範囲なゼロショット評価では、AnySplatはスパースと高密度の両方のビューシナリオにおいて、ポーズを意識するベースラインの品質にマッチする。
論文 参考訳（メタデータ） (2025-05-29T17:49:56Z) - SparseGS-W: Sparse-View 3D Gaussian Splatting in the Wild with Generative Priors [22.561786156613525]
SparseGS-Wは,非制約画像から大規模シーンを合成する新しいフレームワークである。
我々は,高度にスパースな入力から得られる多視点情報の欠如を補うために,幾何学的先行と制約付き拡散の先行を利用する。
SparseGS-Wは、完全な参照メトリクスだけでなく、FID、ClipIQA、MUSIQなどの一般的な非参照メトリクスでも、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-25T08:40:40Z) - No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。
提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。
この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:22Z) - Epipolar-Free 3D Gaussian Splatting for Generalizable Novel View Synthesis [25.924727931514735]
一般化可能な3DGSは、フィードフォワード推論方式でスパースビュー観測から新しいシーンを再構築することができる。
既存の手法は、複雑な現実世界のシーンでは信頼できないエピポーラ先行に大きく依存している。
一般化可能な新規ビュー合成のための効率的なフィードフォワード3DGSモデルであるeFreeSplatを提案する。
論文 参考訳（メタデータ） (2024-10-30T08:51:29Z) - FreeSplat: Generalizable 3D Gaussian Splatting Towards Free-View Synthesis of Indoor Scenes [50.534213038479926]
FreeSplatは、長いシーケンス入力から自由視点合成まで、幾何学的に一貫した3Dシーンを再構築することができる。
ビュー数に関係なく、広いビュー範囲にわたる堅牢なビュー合成を実現するための、シンプルで効果的なフリービュートレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-05-28T08:40:14Z) - GS-IR: 3D Gaussian Splatting for Inverse Rendering [71.14234327414086]
3次元ガウス散乱(GS)に基づく新しい逆レンダリング手法GS-IRを提案する。
我々は、未知の照明条件下で撮影された多視点画像からシーン形状、表面物質、環境照明を推定するために、新しいビュー合成のための最高のパフォーマンス表現であるGSを拡張した。
フレキシブルかつ表現力のあるGS表現は、高速かつコンパクトな幾何再構成、フォトリアリスティックな新規ビュー合成、有効物理ベースレンダリングを実現する。
論文 参考訳（メタデータ） (2023-11-26T02:35:09Z)
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。