論文の概要: MAC-Splat: Multi-Attribute Consistency for High-Fidelity Sparse-View Reconstruction
- arxiv url: http://arxiv.org/abs/2607.10792v1
- Date: Sun, 12 Jul 2026 14:50:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.530619
- Title: MAC-Splat: Multi-Attribute Consistency for High-Fidelity Sparse-View Reconstruction
- Title（参考訳）: MAC-Splat:高忠実度スパースビュー再構成のためのマルチ属性整合性
- Abstract要約: 直接的な3D整合性管理を基盤としたトレーニングフレームワークを提案する。
MAC-SplatはMASt3Rの幾何学的バックボーンと凍結したDINOv3エンコーダの上に構築され、意味的に情報を得た2D通信を得る。
ScanNet++の実験では、MAC-Splatは強力なベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 22.10774833540097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing high-fidelity 3D scenes from sparse-views remains a central problem in generalizable neural rendering. Existing generalizable 3D Gaussian Splatting (3DGS) methods often exhibit geometric artifacts in sparse-view settings, since supervision based solely on 2D photometric losses cannot resolve depth and correspondence ambiguities. To address this issue, we propose MAC-Splat, a training framework built around direct 3D consistency supervision. MAC-Splat builds on the MASt3R geometric backbone and a frozen DINOv3 encoder to obtain semantically informed 2D correspondences, which serve as geometric anchors for 3D supervision. Using these anchors, we define the Multi-Attribute Consistency (MAC) loss. This objective jointly regularizes the 3D attributes of matched Gaussians, including their position, shape, and appearance, by enforcing agreement in a common world coordinate frame. The formulation is robust to outliers and respects the geometry of covariance matrices, which leads to stable training under sparse-view conditions. Experiments on ScanNet++ show that MAC-Splat outperforms strong baselines, with particularly large gains under different overlap regimes. In particular, it improves average PSNR over Splatt3R by more than 4.5 dB, reduces LPIPS, and maintains performance as the camera pose gap increases. These results indicate that a direct, multi-attribute 3D consistency objective, when combined with high-quality correspondences, is effective for addressing the ill-posed sparse-view reconstruction problem.
- Abstract（参考訳）: スパースビューから高忠実度3Dシーンを再構成することは、一般化可能なニューラルレンダリングにおいて中心的な問題である。
既存の一般化可能な3次元ガウススティング(3DGS)法は、2次元測光損失のみに基づく監督は深度と対応の曖昧さを解決できないため、スパースビュー設定で幾何学的アーティファクトを示すことが多い。
この問題に対処するために,直接的な3D整合性管理を基盤としたトレーニングフレームワークMAC-Splatを提案する。
MAC-Splatは、MASt3Rの幾何学的バックボーンと凍結したDINOv3エンコーダの上に構築され、意味的に情報を得た2D対応を得る。
これらのアンカーを用いて、多属性整合性(MAC)損失を定義する。
この目的は、一致したガウスの3次元特性(位置、形状、外観を含む)を共通世界座標フレームで一致させることによって共同で正規化する。
定式化は外れ値に対して堅牢であり、共分散行列の幾何学を尊重し、スパースビュー条件下で安定なトレーニングをもたらす。
ScanNet++の実験では、MAC-Splatは強いベースラインよりも優れており、特に重なり合う条件下では大きな利益がある。
特に、Splatt3R上の平均PSNRを4.5dB以上改善し、LPIPSを低減し、カメラのポーズギャップが増大するにつれて性能を維持する。
これらの結果から, 直接的かつ多属性な3次元整合性は, 高品質な対応と組み合わせることで, スパースビュー復元問題への対処に有効であることが示唆された。
関連論文リスト
- AnchorSplat: Fast and Structure Consistent Detail Synthesis for Gaussian Splatting [45.65377534924918]
3D Gaussian Splatting (3DGS) は高忠実度レンダリングの強力な表現として登場した。
既存の資産は、詳細の欠如やテクスチャノイズのような品質のボトルネックに悩まされることが多い。
そこで我々は,AnchorSplatという3Dネイティブリファインメントパラダイムを提案する。
論文 参考訳（メタデータ） (2026-07-01T12:14:29Z) - PointSplat: Efficient Geometry-Driven Pruning and Transformer Refinement for 3D Gaussian Splatting [2.5823344978857388]
3D Gaussian Splattingは最近、明示的な3Dプリミティブを使用してシーンを表現することによって、リアルタイムで高忠実なノベルビュー合成をアンロックした。
従来の手法では複雑なシーンを捉えるために何百万人ものガウシアンを必要とすることが多く、メモリとストレージの要求が大きくなった。
近年のアプローチでは、ガウスパラメータのプルーニングとシーン毎の微調整によってこの問題に対処し、視覚的品質を維持しながらモデルサイズを削減している。
論文 参考訳（メタデータ） (2026-04-10T20:56:18Z) - 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) - SaLon3R: Structure-aware Long-term Generalizable 3D Reconstruction from Unposed Images [31.94503176488054]
SaLon3Rは構造対応の長期3DGS再構成のための新しいフレームワークである。
10 FPS以上で50以上のビューを再構築でき、50%から90%の冗長性除去が可能である。
提案手法は, 1回のフィードフォワードパスにおいて, アーティファクトを効果的に解決し, 冗長な3DGSを創出する。
論文 参考訳（メタデータ） (2025-10-16T18:37:10Z) - VolSplat: Rethinking Feed-Forward 3D Gaussian Splatting with Voxel-Aligned Prediction [45.95623374754385]
VolSplatは新しいマルチビューフィードフォワードパラダイムで、ピクセルアライメントとボクセルアライメントのガウスを置き換えている。
これは、画素アライメントがエラーを起こしやすい2D特徴マッチングに依存していることを克服し、堅牢なマルチビュー一貫性を確保する。
RealEstate10KやScanNetなど、広く使用されているベンチマークの実験では、VolSplatが最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-09-23T17:59:02Z) - SeqAffordSplat: Scene-level Sequential Affordance Reasoning on 3D Gaussian Splatting [85.87902260102652]
本稿では, 連続3次元ガウシアン・アフラマンス推論の課題について紹介する。
次に,SeqSplatNetを提案する。SqSplatNetは,命令を直接3Dアベイランスマスクのシーケンスにマッピングするエンドツーエンドフレームワークである。
本手法は,1段階のインタラクションから,シーンレベルでの複雑なシーケンシャルなタスクへの可利用性推論を効果的に向上させる。
論文 参考訳（メタデータ） (2025-07-31T17:56:55Z) - 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) - 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) - InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。
InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。
3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
論文 参考訳（メタデータ） (2024-03-29T17:29:58Z) - Multi-initialization Optimization Network for Accurate 3D Human Pose and
Shape Estimation [75.44912541912252]
我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。
第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。
第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。
最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
論文 参考訳（メタデータ） (2021-12-24T02:43:58Z)
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。