論文の概要: TRACE-GS: On-Policy Trajectory Distillation with Privileged Geometric Conditioning for Sparse-View 3DGS Restoration

• arxiv url: http://arxiv.org/abs/2608.10286v1
• Date: Mon, 10 Aug 2026 22:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.832458
• Title: TRACE-GS: On-Policy Trajectory Distillation with Privileged Geometric Conditioning for Sparse-View 3DGS Restoration
• Title（参考訳）: TRACE-GS:Sparse-View 3DGS 修復のためのPrivileged Geometric Conditioning を用いたオンライン軌道蒸留
• Abstract要約: TRACE-GSはスパースビュー3DGS推論のためのオンライントラジェクトリー蒸留フレームワークである。 軽視された3DGS復元のための特権的幾何学から、政治上の監督を引き出すのが最初である。
• 参考スコア（独自算出の注目度）: 17.435410648031297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present TRACE-GS, an on-policy trajectory distillation framework that leverages privileged geometric conditioning at training time, thereby adapting a diffusion prior to sparse-view 3D Gaussian Splatting (3DGS) restoration. Rather than pursuing increasingly sophisticated restoration architectures, we identify a more fundamental limitation shared by existing diffusion-based approaches: supervision at independently noised states does not cover those reached during inference. In sparse-view 3DGS, under-constrained geometry biases denoising from the outset, and the resulting deviations compound along the rollout. TRACE-GS instead performs on-policy trajectory distillation: a teacher conditioned on richer geometry from additional training views supplies targets along the sparse-view student's own rollout, aligning denoising directions and cross-view responses at each visited state. This training-only geometry places TRACE-GS in the learning using privileged information (LUPI) setting. At deployment, only the sparse-view student is retained, and its restored renderings serve as pseudo-observations for 3DGS refinement. To the best of our knowledge, TRACE-GS is the first to derive on-policy supervision from privileged geometry for sparse-view 3DGS restoration, achieving consistent gains and strong generalization across datasets and sparse-view settings.
• Abstract（参考訳）: そこで, TRACE-GSは, 訓練時に特権的幾何条件を取り入れ, スパースビュー3Dガウススプラッティング(3DGS)の復元に先立って拡散を適応させる, オンライントラジェクトリー蒸留フレームワークである。 より高度な復元アーキテクチャを追求する代わりに、既存の拡散に基づくアプローチによって共有される、より基本的な制限を特定する。 スパースビュー3DGSでは、未制約の幾何バイアスは初期から発散し、結果として生じる偏差はロールアウトに沿って複合される。 TRACE-GSは、よりリッチな幾何学で条件付けられた教師が、スパースビューの学生自身のロールアウトに沿ってターゲットを供給し、訪問した各州で装飾的な方向とクロスビューの応答を調整する。 このトレーニング専用幾何学は、特権情報(LUPI)設定を用いた学習にTRACE-GSを配置する。 配備時には、スパースビューの学生のみが保持され、復元されたレンダリングは、3DGSの改良のための擬似観測として機能する。 我々の知る限り、TRACE-GSは、スパースビュー3DGS復元のための特権付き幾何学から、初めて、データ集合とスパースビュー設定をまたいだ一貫したゲインと強力な一般化を実現する。

関連論文リスト

• LSGS-Loc: Towards Robust 3DGS-Based Visual Localization for Large-Scale UAV Scenarios [11.19077809901781]
  大規模な3DGSシーンに適した新しい視覚的位置決めパイプラインLSGS-Locを提案する。 本手法は,非順序画像クエリに対する最先端の精度とロバスト性を実現し,既存の3DGS手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2026-04-07T03:53:18Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
  本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。 階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。 実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
  論文  参考訳（メタデータ） (2026-02-08T09:53:21Z)
• Visibility-Aware Densification for 3D Gaussian Splatting in Dynamic Urban Scenes [7.253732091582086]
  VAD-GSは3DGSフレームワークで、挑戦的な都市景観の幾何学的復元に適したものだ。 本手法は, ボクセルに基づく可視性推論により, 信頼性の低い幾何学構造を同定する。 多様性を意識したビュー選択を通じて情報的支援ビューを選択し、パッチマッチングベースのステレオ再構築によって行方不明構造を復元する。
  論文  参考訳（メタデータ） (2025-10-10T13:22:12Z)
• Accurate and Complete Surface Reconstruction from 3D Gaussians via Direct SDF Learning [5.604709769018076]
  3D Gaussian Splatting (3DGS) はフォトリアリスティック・ビュー・シンセサイザーの強力なパラダイムとして登場した。 3DGSパイプラインに直接サインドディスタンスフィールド(Signed Distance Field, SDF)学習を組み込む統合フレームワークであるDiGSを提案する。 DiGSは高い忠実度を維持しつつ,復元精度と完全性を常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-09T08:17:46Z)
• DIP-GS: Deep Image Prior For Gaussian Splatting Sparse View Recovery [31.43307762723943]
  3D Gaussian Splatting (3DGS) は3次元シーン再構築の先駆けとなる手法であり, リアルタイムレンダリング性能で高品質な再現を実現する。 多くのビューの存在下で優れたパフォーマンスを達成する一方で、3DGSはスパースビューの再構築に苦慮し、入力ビューはスパースで、シーンを完全にカバーせず、オーバーラップも少ない。 本稿では,Deep Image Prior (DIP) 3DGS表現であるDIP-GSを提案する。
  論文  参考訳（メタデータ） (2025-08-10T14:47:32Z)
• RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
  RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。 本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。 復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-06-28T08:02:54Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)

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。