論文の概要: SSA-3DGS: Unsupervised Removal of Screen-Space Artifacts for 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2607.05598v1
- Date: Mon, 06 Jul 2026 19:51:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.312071
- Title: SSA-3DGS: Unsupervised Removal of Screen-Space Artifacts for 3D Gaussian Splatting
- Title（参考訳）: SSA-3DGS:3次元ガウス平滑化のためのスクリーンスペースアーティファクトの無監督除去
- Abstract要約: SSA-3DGSは3Dシーンと学習可能な2Dオーバレイを協調的に最適化し,クリーンな3Dシーンと破損したアーティファクトを復元する,教師なしのフレームワークである。
SSA-3DGSは、同じ破損した入力でトレーニングされた3DGSに対して最大9dBのPSNRで復元の忠実性を向上すると同時に、破損したアーティファクトを忠実に保存する。
- 参考スコア（独自算出の注目度）: 0.8092772265574579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novel View Synthesis (NVS) methods, such as 3D Gaussian Splatting (3DGS), rely heavily on the assumption of clean, multi-view consistent, posed input images. Real-world captures can violate this assumption due to screen-space artifacts-static occlusions fixed to the 2D image plane rather than to the 3D world. Common examples include physical sensor defects, environmental obstructions (such as rain or mud on the lens enclosure), capture obstructions (such as a thumb over the camera sensor or a dashboard visible in dashcam footage), and digital overlays (such as watermarks or UI elements). When present, they are erroneously baked into the 3D geometry as "floaters" or near-camera artifacts, degrading the quality of novel-view rendering. In this work, we propose SSA-3DGS, an unsupervised framework that jointly optimizes a 3D scene and a learnable 2D overlay to recover a clean 3D scene and the corrupting artifacts. By exploiting geometric consensus across views, our method effectively disentangles static artifacts from the 3D scene geometry without supervision or manual input. Across diverse synthetic corruptions and a self-captured real-world dataset, SSA-3DGS improves reconstruction fidelity by up to 9 dB PSNR over 3DGS trained on the same corrupted inputs, while faithfully preserving the corrupting artifact.
- Abstract（参考訳）: 3D Gaussian Splatting (3DGS) のような新しいビュー合成(NVS)法は、クリーンで複数ビューの一貫性のある入力画像の仮定に大きく依存している。
実世界のキャプチャは、スクリーン空間のアーティファクトが3Dの世界ではなく2Dイメージプレーンに固定されているため、この仮定に違反する可能性がある。
一般的な例としては、物理的センサーの欠陥、環境障害(レンズ囲いの雨や泥など)、障害物(カメラセンサー上の親指やダッシュカムの映像で見えるダッシュボードなど)、デジタルオーバーレイ(透かしやUI要素など)などがある。
現在、これらは「フローター」または近カメラの人工物として3D幾何学に誤って焼き込まれ、ノベル・ビュー・レンダリングの質を損なう。
本研究では,3Dシーンと学習可能な2Dオーバレイを協調的に最適化し,クリーンな3Dシーンと破損したアーティファクトを復元する,教師なしのフレームワークであるSSA-3DGSを提案する。
ビュー間の幾何学的コンセンサスを利用して、3次元シーン形状から静的アーティファクトを監督や手動入力なしで効果的に切り離す。
SSA-3DGSは、多様な合成汚職と自己キャプチャされた実世界のデータセットを通して、同じ腐敗した入力でトレーニングされた3DGSよりも最大9dBのPSNRの再現率を向上させると同時に、破損したアーティファクトを忠実に保存する。
関連論文リスト
- Rethinking 3D Noise: Learning 3D-Aware Video Priors via Optimization-Free Morphological Perturbations [8.600397756762495]
NeRFや3D Gaussian Splattingといった3Dシーンの表現は、スパースビュー設定で深刻なアーティファクトに悩まされる。
空間的整合性を保つ最適化自由正規化器として3次元形態摂動法を提案する。
提案手法は,最先端の3Dアーティファクトファインダよりも平均深度誤差を12.5%低減しつつ,視覚的忠実さを維持している。
論文 参考訳（メタデータ） (2026-09-03T10:54:49Z) - Fake3DGS: A Benchmark for 3D Manipulation Detection in Neural Rendering [4.033941524910261]
近年の3D再構成とニューラルレンダリングの進歩により、3Dシーンを編集し、それらを非常にリアルな画像として再レンダリングすることが可能になった。
セキュリティ上の懸念は、3Dコンテンツの信頼性に関するものである。
本稿では,3次元ガウススプレイティングシーンとそれに対応するレンダリングビューのデータセットであるFake3DGSを紹介する。
論文 参考訳（メタデータ） (2026-04-30T08:41:41Z) - GSFixer: Improving 3D Gaussian Splatting with Reference-Guided Video Diffusion Priors [44.901133648775605]
GSFixerは、スパース入力から再構築された3DGS表現の品質を改善するために設計されたフレームワークである。
本モデルは,視覚幾何学基礎モデルから抽出した参照ビューの2次元意味的特徴と3次元幾何学的特徴を統合した。
3DGSアーティファクト復元評価のための適切なベンチマークが欠如していることを踏まえ,低品質な3DGSを用いてレンダリングされたアーティファクトフレームを含むDL3DV-Resを提案する。
論文 参考訳（メタデータ） (2025-08-13T09:56:28Z) - Visibility-Uncertainty-guided 3D Gaussian Inpainting via Scene Conceptional Learning [63.94919846010485]
3DGI)は、複数の入力ビューから補完的な視覚的・意味的手がかりを効果的に活用することが困難である。
本稿では,異なる入力ビュー間での3Dポイントの視認性不確実性を計測し,それらを用いて3DGIを誘導する手法を提案する。
ViSibility-uncerTainty-guided 3DGIとシーンコンセプトAl学習を統合し,新しい3DGIフレームワークであるVISTAを構築した。
論文 参考訳（メタデータ） (2025-04-23T06:21:11Z) - GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。
提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
論文 参考訳（メタデータ） (2025-02-07T16:07:51Z) - Director3D: Real-world Camera Trajectory and 3D Scene Generation from Text [61.9973218744157]
実世界の3Dシーンと適応カメラトラジェクトリの両方を生成するように設計された,堅牢なオープンワールドテキスト・ツー・3D生成フレームワークであるDirector3Dを紹介する。
Director3Dは既存の手法よりも優れており、実世界の3D生成において優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-06-25T14:42:51Z) - SYM3D: Learning Symmetric Triplanes for Better 3D-Awareness of GANs [5.84660008137615]
SYM3Dは、自然と人造の物体で見られる主観対称性構造を活用するために設計された、新しい3D対応のGANである。
単視点画像のみを訓練しても, 詳細な形状やテクスチャを捉える上で, 優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-10T16:24:07Z) - SpatialTracker: Tracking Any 2D Pixels in 3D Space [71.58016288648447]
本稿では,画像投影による問題点を軽減するために,3次元空間における点軌道の推定を提案する。
この手法はSpatialTrackerと呼ばれ、2Dピクセルをモノクロ深度推定器を用いて3Dにリフトする。
3Dでのトラッキングにより、ピクセルを異なる剛性部分にクラスタ化する剛性埋め込みを同時に学習しながら、ARAP(as-rigid-as-possible)制約を活用することができます。
論文 参考訳（メタデータ） (2024-04-05T17:59:25Z) - 3inGAN: Learning a 3D Generative Model from Images of a Self-similar
Scene [34.2144933185175]
3inGANは、単一の自己相似3Dシーンの2D画像から訓練された無条件3D生成モデルである。
実地および合成源から得られた,様々なスケールと複雑さの半確率的な場面での結果を示す。
論文 参考訳（メタデータ） (2022-11-27T18:03:21Z) - Learning 3D Scene Priors with 2D Supervision [37.79852635415233]
本研究では,3次元の地平を必要とせず,レイアウトや形状の3次元シーンを学習するための新しい手法を提案する。
提案手法は, 3次元シーンを潜在ベクトルとして表現し, クラスカテゴリを特徴とするオブジェクト列に段階的に復号化することができる。
3D-FRONT と ScanNet による実験により,本手法は単一視点再構成における技術状況よりも優れていた。
論文 参考訳（メタデータ） (2022-11-25T15:03:32Z) - 3D-Aware Indoor Scene Synthesis with Depth Priors [62.82867334012399]
既存の手法では、室内配置や内部の物体の多様さのため、屋内シーンのモデル化に失敗する。
室内のシーンは共通な内在構造を持たず、2次元画像のみを用いるだけでは3次元形状のモデルが適切にガイドできない。
論文 参考訳（メタデータ） (2022-02-17T09:54:29Z) - DRWR: A Differentiable Renderer without Rendering for Unsupervised 3D
Structure Learning from Silhouette Images [70.54067838587692]
2次元画像から教師なし3次元構造学習のための微分可能なレンダリング(DRWR)を提案する。
DRWRは、再構成された3次元点雲の射影が基底の真理天体シルエットをどれだけよく覆っているかを評価する、単純だが効果的な損失に依存している。
その結果, DRWRの精度は, 従来手法よりも質的, 定量的に優れていたことがわかった。
論文 参考訳（メタデータ） (2020-07-12T23:13:06Z)
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。