論文の概要: LocusGS: Spatially Grounded Tokens for Feed-Forward 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.12825v1
- Date: Thu, 13 Aug 2026 04:59:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.400425
- Title: LocusGS: Spatially Grounded Tokens for Feed-Forward 3D Gaussian Splatting
- Title（参考訳）: LocusGS:フィードフォワード型3Dガウスプラッティングのための空間的接地トークン
- Abstract要約: 中心と支持半径からなる3次元アンカー状態で各ガウスクエリを増強する LocusGS を導入する。
実験によると、LocusGSはクエリベースのガウストークンベースラインよりもレンダリング品質が向上している。
- 参考スコア（独自算出の注目度）: 21.0991525279
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent query-based feed-forward 3DGS methods represent a scene using learnable queries, each aggregating multi-view evidence and decoding a group of Gaussians. Ideally, different queries should specialize in coherent local regions of the scene. However, we observe that Gaussians decoded from the same query often scatter across distant scene regions, resulting in weak query-level spatial coherence and poor alignment with the scene structure. We attribute this behavior to the purely latent representation of existing Gaussian queries. To address this limitation, we introduce LocusGS, which augments each Gaussian query with a 3D anchor state consisting of a center and a support radius. The anchor state is progressively refined across decoder layers and is used throughout query interaction, multi-view feature aggregation, and Gaussian generation. Specifically, an anchor-to-ray geometric bias guides each query toward spatially relevant image observations, while anchor-centered decoding organizes its Gaussians within a local region. Experiments on novel view synthesis benchmarks show that LocusGS improves rendering quality over query-based Gaussian token baselines under the same Gaussian budget. Further analysis shows that the learned anchors form coherent spatial layouts and lead to more structured Gaussian distributions, demonstrating that explicit anchor states improve the spatial organization. Our project page: https://leo-frank.github.io/LocusGS_viewer.
- Abstract（参考訳）: 最近のクエリベースのフィードフォワード3DGS法は、学習可能なクエリを使用して、複数のビューエビデンスを集約し、ガウス人のグループをデコードするシーンを表現している。
理想的には、異なるクエリはシーンの一貫性のあるローカル領域に特化すべきである。
しかし,同じクエリからデコードされたガウシアンはしばしば遠くのシーン領域に散らばり,クエリレベルの空間的一貫性が弱く,シーン構造との整合性が低くなる。
この振る舞いは、既存のガウス的クエリの純粋に潜在的な表現に起因している。
この制限に対処するため,各ガウスクエリを中心と支持半径からなる3次元アンカー状態で拡張する LocusGS を導入する。
アンカー状態はデコーダ層にまたがって徐々に洗練され、クエリインタラクション、マルチビュー機能アグリゲーション、ガウス生成を通じて使用される。
特に、アンカー・ツー・レイの幾何学的バイアスは、各クエリを空間的に関連のある画像観察へ導く一方で、アンカー中心のデコーディングは、そのガウスを局所的に整理する。
新しいビュー合成ベンチマークの実験により、LocusGSは、同じガウスの予算の下で、クエリベースのガウストークンベースラインよりもレンダリング品質を改善することが示された。
さらなる分析により、学習されたアンカーがコヒーレントな空間配置を形成し、より構造化されたガウス分布をもたらすことが示され、明示的なアンカー状態が空間構造を改善することが示されている。
私たちのプロジェクトページは、https://leo-frank.github.io/LocusGS_viewerです。
関連論文リスト
- Seeing the Unseen: Semantic-in-Gaussian for Sparse-View 3D Generalization [11.792866109225924]
一般化可能な3Dガウススプラッティング(G-3DGS)は、新規なビュー合成アンダースパースビュー設定のための有望なアプローチとして現れている。
これらの課題に対処するため,新しいG-3DGSフレームワークであるSeeUを提案する。
SeeUは最近のSOTA G-3DGS法と比較してPSNRで平均2.44dBの改善を実現している。
論文 参考訳（メタデータ） (2026-08-24T02:58:24Z) - Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - SalientGS: Unified SfM-to-3DGS with Importance-Guided MCMC Gaussian Allocation [7.045338803188879]
秩序のない画像から3Dシーンを再構築することは、高価なStructurefrom-Motionプリプロセスによってボトルネックに残っている。
SfM-to-3D Gaussian Splatting (3DGS)パイプラインを統一したSalientGSを提案する。
SalientGSは15分で最先端の知覚品質でエンドツーエンドの再構築を実現している。
論文 参考訳（メタデータ） (2026-07-13T09:06:49Z) - Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。
標準適応密度制御は画面空間の位置勾配に依存する。
本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-30T15:37:20Z) - GaussExplorer: 3D Gaussian Splatting for Embodied Exploration and Reasoning [55.826192239140596]
GaussExplorerは3D Gaussian Splatting(3DGS)上に構築されたボディード探索と推論のためのフレームワークである
3DGS上に視覚言語モデル(VLM)を導入し、3Dシーン内で質問駆動探索と推論を可能にする。
論文 参考訳（メタデータ） (2026-01-19T15:17:58Z) - AG$^2$aussian: Anchor-Graph Structured Gaussian Splatting for Instance-Level 3D Scene Understanding and Editing [12.988814956246033]
3D Gaussian Splatting (3DGS)は、様々なアプリケーションにまたがって指数関数的な採用を目撃し、セマンティック・アウェアな表現を重要視している。
既存のアプローチは通常、自由ガウスの集合に意味的特徴を付加し、微分可能なレンダリングによって特徴を蒸留する。
AG$2$aussianは、アンカーグラフ構造を利用して意味的特徴を整理し、ガウス的プリミティブを規制する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-08-03T12:47:30Z) - PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。
提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文 参考訳（メタデータ） (2024-10-24T17:59:58Z) - GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction [70.65250036489128]
3Dのセマンティック占有予測は,周囲のシーンの3Dの微細な形状とセマンティックスを得ることを目的としている。
本稿では,3Dシーンを3Dセマンティック・ガウシアンで表現するオブジェクト中心表現を提案する。
GaussianFormerは17.8%から24.8%のメモリ消費しか持たない最先端のメソッドで同等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） (2024-05-27T17:59:51Z) - AbsGS: Recovering Fine Details for 3D Gaussian Splatting [10.458776364195796]
3D Gaussian Splatting (3D-GS) 技術は3Dプリミティブを相違可能なガウス化と組み合わせて高品質な新規ビュー結果を得る。
しかし、3D-GSは、高頻度の詳細を含む複雑なシーンで過度に再構成の問題に悩まされ、ぼやけた描画画像に繋がる。
本稿では,前述の人工物,すなわち勾配衝突の原因を包括的に分析する。
我々の戦略は過度に再構成された地域のガウス人を効果的に同定し、分割して細部を復元する。
論文 参考訳（メタデータ） (2024-04-16T11:44:12Z) - HAC: Hash-grid Assisted Context for 3D Gaussian Splatting Compression [55.6351304553003]
3D Gaussian Splatting (3DGS) は、新しいビュー合成のための有望なフレームワークとして登場した。
高速な3DGS表現のためのHash-grid Assisted Context (HAC) フレームワークを提案する。
私たちの研究は、コンテキストベースの3DGS表現の圧縮を探求するパイオニアです。
論文 参考訳（メタデータ） (2024-03-21T16:28:58Z)
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。