論文の概要: Seeing the Unseen: Semantic-in-Gaussian for Sparse-View 3D Generalization
- arxiv url: http://arxiv.org/abs/2608.22740v1
- Date: Mon, 24 Aug 2026 02:58:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.875047
- Title: Seeing the Unseen: Semantic-in-Gaussian for Sparse-View 3D Generalization
- Title（参考訳）: 見えないものを見る:スパースビュー3D一般化のためのセマンティック・イン・ガウス
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.792866109225924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generalizable 3D Gaussian Splatting (G-3DGS) has emerged as a promising approach for novel view synthesis undersparse-view settings. However, existing frameworks remain restricted by pixel-aligned Gaussian estimation, whichstruggles in partially observed or occluded regions and often leads to incomplete surfaces or structural collapse. Toaddress these challenges, we propose SeeU (Seeing the Unseen), a novel G-3DGS framework. We frame its core design asSemantic-in-Gaussian: semantic-conditioned refinement in Gaussian space. Specifically, we introduce a Cross-viewEntropy-Aware (CEA) module that aggregates multi-view semantic and geometric cues into compact embeddings. Theseembeddings guide the Conditional Gaussian Transformer, which applies residual updates to coarse Gaussians, helpingrecover under-constrained regions of partially observed structures while preserving surface consistency. Comprehensiveexperiments on multiple benchmarks demonstrate that SeeU consistently improves rendering quality and structuralcompleteness while retaining efficient feed-forward inference. Especially under challenging extrapolation settings,SeeU achieves an average improvement of 2.44 dB in PSNR compared to recent SOTA G-3DGS methods.
- Abstract（参考訳）: 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。
しかし、既存のフレームワークは、部分的に観察された領域や隠蔽された領域に束縛され、しばしば不完全な表面や構造的崩壊を引き起こすピクセルアラインのガウス推定によって制限されている。
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(Seeing the Unseen)を提案する。
我々はそのコア設計をセマンティック・イン・ガウス空間(Semantic-in-Gaussian: semantic-conditioned refinement in Gaussian space)と呼ぶ。
具体的には,クロスビューエントロピー・アウェア (CEA) モジュールを導入し,多視点セマンティックおよび幾何学的キューをコンパクトな埋め込みに集約する。
これらの埋め込みは条件付きガウス変換器(英語版)を誘導し、粗いガウス変換器に残留更新を適用し、表面の一貫性を維持しながら部分的に観察された構造物の非拘束領域を復元する。
複数のベンチマークに関する総合的な実験により、SeeUは効率の良いフィードフォワード推論を維持しながら、レンダリング品質と構造的完全性を一貫して改善している。
特に難しい外挿条件下では、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。
関連論文リスト
- NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。
本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文 参考訳（メタデータ） (2026-04-16T07:14:07Z) - GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。
大量のガウス点があるため、高いメモリコストに制約される。
コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
論文 参考訳（メタデータ） (2026-04-02T10:41:51Z) - HeroGS: Hierarchical Guidance for Robust 3D Gaussian Splatting under Sparse Views [33.41171755717418]
画像,特徴,パラメータレベルをまたいだ階層的ガイダンスを確立する統一的なフレームワークであるHeroGSを提案する。
我々は,HeroGSが高忠実度再構築を実現し,スパースビュー条件下での最先端のベースラインを一貫して超えることを示す。
論文 参考訳（メタデータ） (2026-03-01T13:35:49Z) - COSMOS: Coherent Supergaussian Modeling with Spatial Priors for Sparse-View 3D Splatting [2.549594916296063]
3D Gaussian Splatting(3DGS)は,最近3D再構築の有望なアプローチとして登場した。
この問題に対処するために,Coherent Supergaussian Modeling with Spatial Priors (COSMOS)を提案する。
Blender と DTU に関する実験により,COSMOS は外部深度監視を伴わないスパースビュー設定において最先端の手法を超越していることが示された。
論文 参考訳（メタデータ） (2025-12-17T04:55:15Z) - C3G: Learning Compact 3D Representations with 2K Gaussians [55.04010158339562]
近年の手法では3次元ガウススプラッティングを再構成に用い, シーン理解のための2D-to-3D機能昇降ステージが提案されている。
提案するC3Gは,空間的にのみコンパクトな3次元ガウスを推定する新しいフィードフォワードフレームワークである。
論文 参考訳（メタデータ） (2025-12-03T17:59:05Z) - D$^2$GS: Depth-and-Density Guided Gaussian Splatting for Stable and Accurate Sparse-View Reconstruction [73.61056394880733]
3D Gaussian Splatting (3DGS)は、3D表現を明示したリアルタイムかつ高忠実なノベルビュー合成(NVS)を可能にする。
疎視条件下では,カメラ近傍のガウス密度が過大な地域での過度適合と,ガウス範囲が不十分な遠隔地での過度適合の2つの重要な障害モードを同定する。
本稿では,奥行き案内型ドロップアウト戦略と距離認識型フィデリティ拡張モジュールという,2つの主要なコンポーネントからなる統合フレームワークD$2$GSを提案する。
論文 参考訳（メタデータ） (2025-10-09T17:59:49Z) - 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) - TSGaussian: Semantic and Depth-Guided Target-Specific Gaussian Splatting from Sparse Views [18.050257821756148]
TSGaussianは、新しいビュー合成タスクにおける幾何学的劣化を避けるために、意味的制約と深さ事前の制約を組み合わせる新しいフレームワークである。
提案手法は,バックグラウンドアロケーションを最小化しながら,指定された目標に対する計算資源の優先順位付けを行う。
大規模な実験により、TSGaussianは3つの標準データセット上で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） (2024-12-13T11:26:38Z) - 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) - PEP-GS: Perceptually-Enhanced Precise Structured 3D Gaussians for View-Adaptive Rendering [3.1006820631993515]
3D Gaussian Splatting (3D-GS)はリアルタイムで高品質な3Dシーンレンダリングにおいて大きな成功を収めた。
PEP-GSは、不透明度、色、共分散を含むガウス属性を動的に予測する知覚的に強化されたフレームワークである。
我々はPEP-GSが最先端の手法、特にビュー依存効果や細かな詳細を含む挑戦的なシナリオにおいて優れていることを示す。
論文 参考訳（メタデータ） (2024-11-08T17:42:02Z) - 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) - MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。
既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。
スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T08:39:05Z)
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。