論文の概要: UniqueSplat: View-conditioned 3D Gaussian Splatting for Generalizable 3D Reconstruction
- arxiv url: http://arxiv.org/abs/2608.02145v1
- Date: Mon, 03 Aug 2026 12:31:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.547438
- Title: UniqueSplat: View-conditioned 3D Gaussian Splatting for Generalizable 3D Reconstruction
- Title（参考訳）: UniqueSplat:汎用3D再構成のためのビューコンディショニング型3Dガウススプラッティング
- Abstract要約: 本稿では,ビュークエリ毎にカスタマイズされた3次元ラディアンスフィールドを再構成するために,ビュー条件付きフィードフォワード3Dガウススプラッティングモデルを提案する。
我々のUniqueSplatは、ビュー条件付き情報を事前学習し、この知識をネットワークパラメータに組み込む。
広く使われているデータセットの実験は、最先端の手法よりもUniqueSplatの方が優れていることを示している。
- 参考スコア（独自算出の注目度）: 66.8743195106848
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose UniqueSplat, a view-conditioned feed-forward 3D Gaussian Splatting model to reconstruct customized 3D radiance fields for each view query. Existing feed-forward methods such as pixelSplat and MVSplat aim to generate fixed Gaussians across all views of each scene by minimizing the error between rendered views and ground-truth images. However, such fixed Gaussians generally render images from all views and lack the ability to adapt to specific viewpoints, as they do not incorporate target view information when predicting Gaussians. To address this, our UniqueSplat learns the view-conditioned information as a prior and incorporates this knowledge into network parameters, so that Gaussians are dynamically adjusted in accordance with different views. Specifically, we propose a two-branch view-conditioned hyperNetwork to simultaneously learn view-agnostic embeddings and view-specific knowledge, which not only explores the shareable knowledge from various views, but also adapts the model to specific views at test time. Extensive experiments on widely-used datasets including RealEstate10K, ACID and DTU demonstrate the superiority of UniqueSplat over the state-of-the-art methods. Moreover, UniqueSplat encouragingly outperforms existing methods in cross-dataset evaluation, showing its notable generalization ability.
- Abstract（参考訳）: 本稿では、ビュークエリ毎にカスタマイズされた3Dラディアンスフィールドを再構成するビュー条件付きフィードフォワード3DガウススプラッティングモデルであるUniqueSplatを提案する。
既存のPixelSplatやMVSplatのようなフィードフォワード方式は、レンダリングされたビューとグラウンドトゥルース画像の誤差を最小限に抑えて、各シーンのすべてのビューに固定ガウスを生成することを目的としている。
しかし、そのような固定されたガウス人は一般的にすべての視点からの画像を描画し、ガウスの予測時に対象の視点情報を含まないため、特定の視点に適応する能力に欠ける。
この問題を解決するために、UniqueSplatはビュー条件付き情報を事前として学習し、この知識をネットワークパラメータに組み込むことで、異なるビューに応じてガウスが動的に調整されるようにする。
具体的には、ビューに依存しない埋め込みとビュー固有の知識を同時に学習する2分岐ビュー条件のハイパーネットワークを提案し、様々なビューから共有可能な知識を探索するだけでなく、テスト時に特定のビューにモデルを適応させる。
RealEstate10K、ACID、DTUなど、広く使われているデータセットに対する大規模な実験は、最先端の手法よりもUniqueSplatの方が優れていることを示している。
さらに、UniqueSplatは、既存の手法のクロスデータセット評価よりも優れており、その顕著な一般化能力を示している。
関連論文リスト
- Learning Representations from 3D Gaussian Splats [0.0]
3D Gaussian Splatting (3DGS) はシーンレンダリングにおける最近のアプローチである。
主にビュー合成のために設計されているが、シーン理解タスクの潜在能力は未解明のままである。
従来のポイントクラウドデータセットと専用のGaussian Splattingデータセットの両方にわたって、ポイントベースとグラフベースのモデルをベンチマークします。
論文 参考訳（メタデータ） (2026-05-28T08:02:17Z) - PointGS: Point Attention-Aware Sparse View Synthesis with Gaussian Splatting [4.451779041553596]
3D Gaussian splatting (3DGS) は、レンダリング速度と視覚品質の両方において、ニューラル放射場(NeRF)を超える革新的なレンダリング技術である。
本稿では,スパーストレーニングビューからリアルタイムかつ高品質なレンダリングを可能にするポイントワイズ特徴認識型ガウス分割フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-12T04:07:07Z) - OGGSplat: Open Gaussian Growing for Generalizable Reconstruction with Expanded Field-of-View [74.58230239274123]
一般化可能な3次元再構成において視野を拡大するオープンガウス成長法であるOGGSplatを提案する。
我々の重要な洞察は、オープンガウスのセマンティックな属性が、画像外挿の強い先行性を提供するということである。
OGGSplatはまた、スマートフォンカメラから直接撮影される2つのビューイメージを備えた場合、有望なセマンティック・アウェア・シーン再構築機能を示す。
論文 参考訳（メタデータ） (2025-06-05T16:17:18Z) - SmileSplat: Generalizable Gaussian Splats for Unconstrained Sparse Images [91.28365943547703]
SmileSplatという新しい一般化可能なガウス格子法が提案され,様々なシナリオに対して画素整列ガウス波を再構成する。
提案手法は,様々な3次元視覚タスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-11-27T05:52:28Z) - NovelGS: Consistent Novel-view Denoising via Large Gaussian Reconstruction Model [57.92709692193132]
NovelGSは、スパースビュー画像が与えられたガウススプラッティングの拡散モデルである。
我々は3Dガウスを生成するためにトランスフォーマーネットワークを経由する新しい視点を利用する。
論文 参考訳（メタデータ） (2024-11-25T07:57:17Z) - GPS-Gaussian+: Generalizable Pixel-wise 3D Gaussian Splatting for Real-Time Human-Scene Rendering from Sparse Views [67.34073368933814]
スパースビューカメラ設定下での高解像度画像レンダリングのための一般化可能なガウススプラッティング手法を提案する。
我々は,人間のみのデータや人景データに基づいてガウスパラメータ回帰モジュールをトレーニングし,深度推定モジュールと共同で2次元パラメータマップを3次元空間に引き上げる。
いくつかのデータセットに対する実験により、我々の手法はレンダリング速度を超越しながら最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-11-18T08:18:44Z) - 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) - UniGS: Modeling Unitary 3D Gaussians for Novel View Synthesis from Sparse-view Images [20.089890859122168]
我々は,新しい3次元ガウス再構成と新しいビュー合成モデルであるUniGSを紹介する。
UniGSは、任意の数のスパースビュー画像から3Dガウスの高忠実度表現を予測する。
論文 参考訳（メタデータ） (2024-10-17T03:48:02Z) - HiSplat: Hierarchical 3D Gaussian Splatting for Generalizable Sparse-View Reconstruction [46.269350101349715]
HiSplatは、一般化可能な3Dガウススプラッティングのための新しいフレームワークである。
階層的な3Dガウスを粗大な戦略で生成する。
これにより、再構築品質とデータセット間の一般化が大幅に向上する。
論文 参考訳（メタデータ） (2024-10-08T17:59:32Z)
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。