論文の概要: Meshless Domain Randomization via Explicit Parameter Perturbation of 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2607.22890v1
• Date: Fri, 24 Jul 2026 20:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.921782
• Title: Meshless Domain Randomization via Explicit Parameter Perturbation of 3D Gaussian Splatting
• Title（参考訳）: 3次元ガウス散乱の明示的パラメータ摂動によるメッシュレス領域ランダム化
• Abstract要約: ドメインランダム化(DR)は、Sim-to-Realギャップを閉じるための標準手法である。 3D Splattingのパラメータ空間で動作するメッシュレスDRフレームワーク(3DGS)を提案する。 本手法では,ランダム化学習データセットの合成に2つの独立したパイプラインを用いる。
• 参考スコア（独自算出の注目度）: 0.2609784101826761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Randomization (DR) is a standard technique for closing the Sim-to-Real gap, yet traditional DR pipelines rely on classical computer graphics rendering driven by polygon meshes. For complex organic subjects, such as insect specimens, extracting and rendering textured meshes is challenging. To address this issue, we propose a meshless DR framework that operates on the parameter space of 3D Gaussian Splatting (3DGS). Our method employs two independent perturbation pipelines to synthesize randomized training datasets. First, a Photometric DR pipeline alters the baked illumination and color balance by modulating the Spherical Harmonics (SH) coefficients. Second, a Procedural DR pipeline isolates the subject's geometric shape by replacing its original textures with 3D spatial noise. Finally, these perturbed radiance fields are composited over stochastically varied backgrounds using a rasterization engine. Our parameter manipulation provides a meshless alternative for generating robust datasets for complex geometries.
• Abstract（参考訳）: ドメインランダム化(DR)はSim-to-Realギャップを閉じる標準的な手法であるが、従来のDRパイプラインはポリゴンメッシュによって駆動される古典的なコンピュータグラフィックスレンダリングに依存している。 昆虫の標本のような複雑な有機物では、テクスチャメッシュの抽出とレンダリングは困難である。 この問題に対処するために,3次元ガウス散乱(3DGS)のパラメータ空間で動作するメッシュレスDRフレームワークを提案する。 本手法では、2つの独立した摂動パイプラインを用いてランダム化されたトレーニングデータセットを合成する。 第一に、光度DRパイプラインは、球高調波係数(SH)を変調することにより、焼成照明と色バランスを変化させる。 第二に、手続き型DRパイプラインは、元のテクスチャを3D空間ノイズに置き換えることで、被験者の幾何学的形状を分離する。 最後に、これらの摂動放射場は、ラスタライズエンジンを用いて確率的に変化する背景上に合成される。 パラメータ操作は、複雑なジオメトリのための堅牢なデータセットを生成するためのメッシュレスな代替手段を提供します。

関連論文リスト

• DiffGI: Differentiable Geometry Images for High-Fidelity Thin-Shell 3D Generation [1.0479639406219858]
  曲面表現と幾何学的最適化をシームレスに統合する3D-to-2DマッピングフレームワークであるDiffGIを提案する。 提案手法は,従来の幾何学画像やボクセルに基づく手法と比較して,再現精度と境界精度に優れる。
  論文  参考訳（メタデータ） (2026-07-15T01:00:01Z)
• PI3DETR: Parametric Instance Detection of 3D Point Cloud Edges with a Geometry-Aware 3DETR [0.0]
  本稿では,原点雲から3次元パラメトリック曲線を直接予測するエンドツーエンドフレームワークPI3DETRを提案する。 PI3DETRはABCデータセットに新たな最先端技術を設定し、実際のセンサデータに効果的に一般化し、3Dエッジと曲線推定のためのシンプルで強力なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-03T12:24:25Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• DirectTriGS: Triplane-based Gaussian Splatting Field Representation for 3D Generation [37.09199962653554]
  ガウススプラッティング(GS)を用いた3次元オブジェクト生成のための新しいフレームワークであるDirectTriGSを提案する。 提案した生成フレームワークは,テキスト・ツー・3Dタスクにおいて高品質な3Dオブジェクト形状とレンダリング結果を生成することができる。
  論文  参考訳（メタデータ） (2025-03-10T04:05:38Z)
• Geometry Field Splatting with Gaussian Surfels [23.412129038089326]
  我々は、最近の研究で提案された不透明曲面の幾何学的場を利用して、体積密度に変換することができる。 ガウス核やウェーバを体積よりも幾何場に適応させ、不透明な固体の正確な再構成を可能にする。 広範に使用されているデータセット上で再構成された3次元表面の質が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2024-11-26T03:07:05Z)
• DreamMesh4D: Video-to-4D Generation with Sparse-Controlled Gaussian-Mesh Hybrid Representation [10.250715657201363]
  本稿では,メッシュ表現と幾何スキン技術を組み合わせた新しいフレームワークDreamMesh4Dを紹介し,モノクロビデオから高品質な4Dオブジェクトを生成する。 我々の手法は現代のグラフィックパイプラインと互換性があり、3Dゲームや映画産業におけるその可能性を示している。
  論文  参考訳（メタデータ） (2024-10-09T10:41:08Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)
• 2D Gaussian Splatting for Geometrically Accurate Radiance Fields [50.056790168812114]
  3D Gaussian Splatting (3DGS)は近年,高画質の新規ビュー合成と高速レンダリングを実現し,放射界再構成に革命をもたらした。 多視点画像から幾何学的精度の高い放射場をモデル化・再構成するための新しいアプローチである2DGS(2D Gaussian Splatting)を提案する。 競合する外観品質、高速トレーニング速度、リアルタイムレンダリングを維持しつつ、ノイズフリーかつ詳細な幾何学的再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T17:21:24Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• $PC^2$: Projection-Conditioned Point Cloud Diffusion for Single-Image 3D Reconstruction [97.06927852165464]
  単一のRGB画像から物体の3次元形状を再構築することは、コンピュータビジョンにおける長年の課題である。 条件付き偏光拡散プロセスによりスパース点雲を生成する単一像3次元再構成法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T13:37:07Z)
• Geometric Correspondence Fields: Learned Differentiable Rendering for 3D Pose Refinement in the Wild [96.09941542587865]
  野生の任意のカテゴリのオブジェクトに対する微分可能レンダリングに基づく新しい3次元ポーズ精細化手法を提案する。 このようにして、3DモデルとRGB画像のオブジェクトを正確に整列し、3Dポーズ推定を大幅に改善する。 我々は、Pix3Dデータセットの挑戦に対するアプローチを評価し、複数のメトリクスにおける最先端の精錬手法と比較して、最大55%の改善を実現した。
  論文  参考訳（メタデータ） (2020-07-17T12:34:38Z)

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。