論文の概要: CasDeblurGS: Cascaded 2D-to-3D Multi-View Consistency for 3D Gaussian Splatting from Two Blurry Images
- arxiv url: http://arxiv.org/abs/2608.10345v1
- Date: Tue, 11 Aug 2026 01:13:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.856359
- Title: CasDeblurGS: Cascaded 2D-to-3D Multi-View Consistency for 3D Gaussian Splatting from Two Blurry Images
- Title（参考訳）: CasDeblurGS:2つのBlurry画像から3次元ガウス撮影のための2次元から3次元のマルチビュー整合性
- Authors: Haeyun Choi, Minhyuk Jang, I-Gil Kim,
- Abstract要約: 自由視点の3Dシーンメディアは没入型アプリケーションではますます重要になっているが、現実的なキャプチャは視野の空間性や動きのぼかしに悩まされることが多い。
CasDeblurGSは,局所的な2D対応からグローバルな3Dガイダンスまで,信頼性の高いクロスビュー情報を段階的に復元するフレームワークである。
実世界のDeblur-NeRFシーンと合成されたDeblur-NeRFシーンの実験では、強いベースラインよりも一貫したゲインを示し、PSNRをそれぞれ1.19dBと2.11dB改善した。
- 参考スコア（独自算出の注目度）: 2.12833538322985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Free-viewpoint 3D scene media is increasingly important for immersive applications, yet practical capture often suffers from severe view sparsity and motion blur. Although neural rendering has advanced sparse-view synthesis, existing blur-aware methods typically require substantial multi-view redundancy, accurate camera poses, or costly per-scene optimization. We address a stringent yet practical setting: reconstructing a coherent 3D scene from only two motion-blurred images with known intrinsics, without input-view poses, auxiliary sharp images, or per-scene test-time optimization. To this end, we propose CasDeblurGS, a cascaded framework that progressively recovers reliable cross-view information from local 2D correspondences to global 3D guidance. Stage 1 constructs locally reliable guidance through occlusion-aware correspondence filtering, while Stage 2 aggregates the intermediate restorations into a provisional pose-free 3D Gaussian representation whose input-view re-renders provide dense global guidance for final restoration. The resulting views enable a more coherent 3D representation and higher-quality novel-view synthesis. Experiments on real-world and synthetic Deblur-NeRF scenes show consistent gains over strong baselines, improving PSNR by 1.19 dB and 2.11 dB, respectively. Progressive ablations, cross-view correspondence visualization, and camera reprojection analysis further demonstrate improvements in both rendering quality and multi-view geometric consistency.
- Abstract（参考訳）: 自由視点3Dシーンメディアは没入型アプリケーションではますます重要になっているが、現実的なキャプチャは視界の空間性や動きのぼかしに悩まされることが多い。
ニューラルレンダリングはスパースビュー合成が進んでいるが、既存のぼかし認識法は、通常、相当なマルチビュー冗長性、正確なカメラポーズ、あるいはシーンごとのコストのかかる最適化を必要とする。
入力ビューのポーズやシャープな画像、シーンごとのテスト時間最適化を伴わない、2つの動きブル画像のみから、コヒーレントな3Dシーンを再構築する。
そこで我々はCasDeblurGSを提案する。CasDeblurGSは、ローカルな2D対応からグローバルな3Dガイダンスまで、信頼性の高いクロスビュー情報を段階的に復元するフレームワークである。
ステージ1は、オクルージョン対応対応フィルタリングによって局所的に信頼性の高いガイダンスを構築し、ステージ2は、中間修復を、入力ビューの再レンダリングが最終修復のための密接なグローバルガイダンスを提供する仮ポーズフリー3Dガウス表現に集約する。
結果として得られるビューにより、よりコヒーレントな3D表現と高品質なノベルビュー合成が可能になる。
実世界のDeblur-NeRFシーンと合成されたDeblur-NeRFシーンの実験では、強いベースラインよりも一貫したゲインを示し、PSNRをそれぞれ1.19dBと2.11dB改善した。
プログレッシブ・アブレーション、クロスビュー対応可視化、カメラ・リジェクション・アナライゼーションにより、レンダリング品質と多視点幾何整合性の両方の改善が示されている。
関連論文リスト
- DeblurNVS: Geometric Latent Diffusion for Novel View Synthesis from Sparse Motion-Blurred Images [22.61939963916488]
新しいビュー合成(NVS)はコンピュータビジョンとグラフィックスの基本的な問題である。
ニューラルレイディアンスフィールド(NeRF),3次元ガウススプラッティング(3DGS)および生成ビュー合成の進歩により,その品質が大幅に向上した。
スパース・モーション・ブルード画像から直接高忠実度ノベルビューを実現するための新しいフレームワークであるDeNVSを提案する。
論文 参考訳（メタデータ） (2026-05-31T16:04:55Z) - Sparse-to-Complete: From Sparse Image Captures to Complete 3D Scenes [32.47917212506622]
S2C-3Dは、6枚から8枚までの高忠実で完全なシーン再構築のための新しいスパースビュー3D再構成フレームワークである。
本フレームワークは,シーン固有の画像復元のための特殊拡散モデル,トレーニング不要なビューコンディスタンス条件付きサンプリングプロセス,カメラ軌道計画スキームの3つのコンポーネントを特徴とする。
論文 参考訳（メタデータ） (2026-05-07T04:41:30Z) - Geometrically Consistent Multi-View Scene Generation from Freehand Sketches [58.98194920417429]
フリーハンドスケッチは、マルチビュージェネレータを提供することができる最も幾何学的に不十分な入力である。
学習データの欠如、歪んだ2次元入力からの幾何学的推論の必要性、ビュー間の整合性という3つの複合的な課題に対処する。
本フレームワークは,参照画像,反復的精細化,シーンごとの最適化を必要とせず,単一のデノナイジングプロセスですべてのビューを合成する。
論文 参考訳（メタデータ） (2026-04-15T18:00:45Z) - S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs [53.597239706600455]
Sparse to Dense lifting (S2D)は、2つの表現をブリッジし、最小限の入力で高品質な3DGS再構成を実現するパイプラインである。
実験により、S2Dは、異なる入力空間下で、新しいビューガイダンスと第1階層のスパースビュー再構成品質を生成する際に、最良の整合性を達成することが示された。
論文 参考訳（メタデータ） (2026-03-11T15:37:20Z) - Enhancing Novel View Synthesis from extremely sparse views with SfM-free 3D Gaussian Splatting Framework [14.927184256861807]
本稿では,SfMフリーな3DGSを用いたカメラのポーズを推定し,非常にスムーズな視点から3Dシーンを再構成する手法を提案する。
提案手法は,PSNRの高度2.75dB改善を極端に軽視条件下で達成し,他の最先端3DGS法よりも優れていた。
論文 参考訳（メタデータ） (2025-08-21T11:25:24Z) - GaVS: 3D-Grounded Video Stabilization via Temporally-Consistent Local Reconstruction and Rendering [54.489285024494855]
ビデオの安定化は、元のユーザの動きの意図を保ちながら、望ましくないシャキネスを除去するので、ビデオ処理に欠かせない。
既存のアプローチは、運用するドメインによって、ユーザエクスペリエンスを低下させるいくつかの問題に悩まされます。
ビデオの安定化を時間的に一貫性のある局所的再構成とレンダリングのパラダイムとして再構成する,新しい3Dグラウンドアプローチである textbfGaVS を紹介する。
論文 参考訳（メタデータ） (2025-06-30T15:24:27Z) - MV-CoLight: Efficient Object Compositing with Consistent Lighting and Shadow Generation [19.46962637673285]
MV-CoLightは2Dおよび3Dシーンで合成される照度一貫性のあるオブジェクトのためのフレームワークである。
2次元画像入力と3次元ガウスシーン表現をシームレスに整列するために、ヒルベルト曲線に基づく写像を用いる。
実験では、標準ベンチマークとデータセット間で、最先端の調和した結果を実証した。
論文 参考訳（メタデータ） (2025-05-27T17:53:02Z) - ExScene: Free-View 3D Scene Reconstruction with Gaussian Splatting from a Single Image [4.366356163044466]
既存の方法は、単一視点からの視野が狭い低一貫性の3Dシーンを再構成するためにしばしば制限される。
任意の単視点画像から没入型3Dシーンを再構成する2段階パイプラインであるExSceneを提案する。
ExSceneは単一ビュー入力のみを使用して一貫した没入的なシーン再構築を実現する。
論文 参考訳（メタデータ） (2025-03-31T09:33:22Z) - FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。
当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。
包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
論文 参考訳（メタデータ） (2024-12-12T18:52:53Z) - Multi-View Multi-Person 3D Pose Estimation with Plane Sweep Stereo [71.59494156155309]
既存のマルチビュー3Dポーズ推定手法は、複数のカメラビューからグループ2Dポーズ検出に対するクロスビュー対応を明確に確立する。
平面スイープステレオに基づくマルチビュー3Dポーズ推定手法を提案し、クロスビュー融合と3Dポーズ再構築を1ショットで共同で解決します。
論文 参考訳（メタデータ） (2021-04-06T03:49:35Z)
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。