論文の概要: Per-View Gaussian Predictions Enable Training-Free Distractor Filtering in Feed-Forward 3DGS

• arxiv url: http://arxiv.org/abs/2608.26951v1
• Date: Thu, 27 Aug 2026 10:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.36302
• Title: Per-View Gaussian Predictions Enable Training-Free Distractor Filtering in Feed-Forward 3DGS
• Title（参考訳）: フィードフォワード3DGSにおけるトレーニング不要なディトラクタフィルタを可能にするビューごとのガウス予測
• Authors: Kangmin Seo, Jae-Pil Heo,
• Abstract要約: 本稿では,ビューごとの予測構造を利用したトレーニング不要なフィルタリング手法を提案する。 各入力に対して、関連するガウスを除外し、残りの表現を用いて同じカメラをレンダリングする。 入力ビューの数によって、新規ビューの品質が一貫して向上する。
• 参考スコア（独自算出の注目度）: 31.86277467022804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feed-forward 3D Gaussian Splatting reconstructs an explicit Gaussian representation from multiple input images in one network execution, making 3D reconstruction increasingly accessible for casual captures. However, such captures frequently contain transient objects that appear in only a subset of the views. Such content can be encoded into the per-view Gaussians associated with the inputs that observe it and remain in the combined representation despite being observed by no other input. As a result, it may produce blurred, duplicated, or floating artifacts in novel views. We introduce a training-free filtering procedure that exploits this per-view prediction structure. For each input, we exclude its associated Gaussians and render the same camera using the remaining representation, revealing content that is inconsistent with the other inputs. Feature similarity forms candidate regions, and rendering-based verification retains only candidates whose removal reduces reconstruction error in the other input views. The procedure operates on a single frozen prediction without retraining or scene-specific optimization. Across three reconstruction models and two distractor benchmarks, it consistently improves novel-view quality with varying numbers of input views. On clean scenes, evaluations across four models show that the original reconstructions are largely preserved.
• Abstract（参考訳）: Feed-forward 3D Gaussian Splattingは、1つのネットワークで複数の入力画像から明示的なガウス表現を再構築する。 しかし、このようなキャプチャはビューのサブセットにのみ現れる一時的なオブジェクトを頻繁に含む。 このような内容は、他の入力によって観察されていないにもかかわらず、それを観察する入力に関連付けられたビューごとのガウスアンにエンコードされる。 結果として、新しい視点でぼやけた、複製された、あるいは浮かぶ人工物を生み出す可能性がある。 本稿では、このビューごとの予測構造を利用したトレーニング不要なフィルタリング手法を提案する。 各入力に対して、関連するガウスアンを除外し、残りの表現を用いて同じカメラをレンダリングし、他の入力と矛盾する内容を明らかにする。 特徴類似性は候補領域を形成し、レンダリングベースの検証は、他の入力ビューにおける再構成エラーを低減する候補のみを保持する。 この手順は、再トレーニングやシーン固有の最適化なしに、単一の凍結予測で動作する。 3つの再構成モデルと2つのイントラクタベンチマークにより、入力ビューの異なる新規ビューの品質が一貫して向上する。 清潔な場面では、4つのモデルにまたがる評価は、オリジナルの復元がほとんど保存されていることを示している。

関連論文リスト

• GenRec: Knowing Where to Reconstruct and Where to Generate [106.48347271421765]
  GenRecは、再構築世代をそのアーキテクチャ、監督、勾配フローに直接分割するフローマッチングモデルである。 観察された領域で最高の復元忠実度を達成し、また、観測されていない領域では、知覚的品質の純粋に生成的ベースラインを超越する。
  論文  参考訳（メタデータ） (2026-08-18T14:31:19Z)
• 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)
• PointSplat: Compact Gaussian Splatting via Human-Centric Prediction [70.45838533838104]
  本研究では,ハエのインプットビューから3次元人間表現を創出する新しい人間中心のアプローチであるPointSplatを提案する。 提案手法は,まず粗い幾何学的プロキシを推定し,冗長点を起点とするレイキャスティングを行う。 その後、ポイント・イメージ・トランスフォーマーを使用して外観と幾何学的特徴を融合させ、ガウスの属性を1つの前方通過で予測する。
  論文  参考訳（メタデータ） (2026-06-30T17:59:05Z)
• VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
  VidSplatは、トレーニング不要な生成的再構築フレームワークである。 生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。 広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
  論文  参考訳（メタデータ） (2026-05-12T02:20:31Z)
• TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens [25.44390249542703]
  我々は、カメラ線に沿った奥行きが最適であるとして、ガウスを退避させる一般的な実践は、準最適であると主張する。 本稿では,自己教師付きレンダリング損失のみを用いて,3次元平均座標を直接回帰する手法を提案する。 提案手法であるTokenGSは、ノイズやマルチビューの不整合に対処するための堅牢性の向上を実証する。
  論文  参考訳（メタデータ） (2026-04-16T17:12:37Z)
• 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)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• 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)

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。