論文の概要: DReSG: Diffusion Residuals for Stylized Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.29048v2
- Date: Tue, 01 Sep 2026 13:15:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:35.579298
- Title: DReSG: Diffusion Residuals for Stylized Gaussian Splatting
- Title（参考訳）: DReSG:スチル化ガウス平板の拡散残差
- Authors: Zhongliang Liu, Wenjie Liu, Yang Li,
- Abstract要約: DReSGは、ガウススプラッティングをスタイリングするための3Dグラウンドの残留フィードバックフレームワークである。
DReSGは、シーン構造とクロスビュー安定性を良く保ちながら、競合する参照誘導型スタイリングを実現する。
- 参考スコア（独自算出の注目度）: 5.507126401753131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reference-guided stylization of scenes represented by 3D Gaussian Splatting (3DGS) is important for efficient and controllable 3D content creation. Existing VGG-feature-based 3D stylization methods provide stable rendered-view optimization, but often under-represent expressive reference style cues; diffusion models offer stronger image priors, yet direct per-view or score-based diffusion guidance can lead to view drift, local artifacts, and hard-to-control appearance updates. We present DReSG, a 3D-grounded residual-feedback framework for stylized Gaussian splatting. DReSG represents attention-guided diffusion proposals as residual targets relative to the current render, and progressively absorbs these residuals into a shared Gaussian scene through multi-view Gaussian feedback. To make this feedback stable and controllable, DReSG modulates residual strength during target construction and combines coverage-aware view selection with conflict-filtered color updates during multi-view fitting. Extensive experiments demonstrate that DReSG achieves competitive reference-guided stylization while better preserving scene structure and cross-view stability. Our project page is available at https://vpx-ecnu.github.io/DReSG-website/.
- Abstract（参考訳）: 3Dガウススプラッティング(3DGS)で表現されるシーンの基準誘導型スタイリングは、効率的かつ制御可能な3Dコンテンツ作成に重要である。
既存のVGG-Feature-based 3Dスタイリング手法は、安定したレンダリングビューの最適化を提供するが、しばしば表現不足の表現可能な参照スタイルのキューを提供する。
DReSG(DReSG)はガウススプラッティングのための3Dグラウンドの残留フィードバックフレームワークである。
DReSGは、注意誘導拡散提案を現在のレンダリングに対する残差ターゲットとして表現し、多視点ガウスフィードバックを通じてこれらの残差を共有ガウスシーンに徐々に吸収する。
このフィードバックを安定かつ制御可能にするため、DReSGはターゲット構築時の残留強度を変調し、カバーアウェアのビュー選択とマルチビューフィッティング時のコンフリクトフィルタ色更新を組み合わせる。
広汎な実験により、DReSGは、シーン構造とクロスビュー安定性を良く保ちながら、競合する参照誘導型スタイリングを実現することが示された。
私たちのプロジェクトページはhttps://vpx-ecnu.github.io/DReSG-website/で公開されています。
関連論文リスト
- Capacity-Controlled Multi-View Stylization of 3D Gaussian Splatting [66.3033154284523]
3DGSのマルチビュースタイリングのためのキャパシティ制御フレームワークを提案する。
可変強度のカラム容量制約を導入することにより,複数対1のマッチングが緩和される。
また、シーンコンテンツとスタイルパターンの対応を制約するために、新しいクロスビューマッチングガイダンスを組み込んだ。
論文 参考訳（メタデータ） (2026-06-25T08:36:50Z) - PDF-GS: Progressive Distractor Filtering for Robust 3D Gaussian Splatting [32.97857587591785]
本稿では3DGSが持つ非一貫性信号の抑制能力を増幅するフレームワークであるPDF-GSを提案する。
PDF-GSは、堅牢で、高忠実で、邪魔のない再構築を実現し、多様なデータセットのベースラインを一貫して上回り、現実世界の状況に挑戦する。
私たちのアプローチは軽量で、既存の3DGSフレームワークにも容易に適用可能です。
論文 参考訳（メタデータ） (2026-04-14T11:03:55Z) - RealisticDreamer: Guidance Score Distillation for Few-shot Gaussian Splatting [43.929036790271425]
我々は、事前訓練されたVDMからリッチなマルチビュー一貫性を抽出するGuidance Score Distillation (GSD) というフレームワークを提案する。
本稿では,VDMのノイズ予測結果を修正するための統一的なガイダンス形式を提案する。
実験結果から,本手法は複数のデータセットにまたがる既存手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-11-14T12:11:23Z) - 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) - 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) - FreeSplat: Generalizable 3D Gaussian Splatting Towards Free-View Synthesis of Indoor Scenes [50.534213038479926]
FreeSplatは、長いシーケンス入力から自由視点合成まで、幾何学的に一貫した3Dシーンを再構築することができる。
ビュー数に関係なく、広いビュー範囲にわたる堅牢なビュー合成を実現するための、シンプルで効果的なフリービュートレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-05-28T08:40:14Z) - Octree-GS: Towards Consistent Real-time Rendering with LOD-Structured 3D Gaussians [18.774112672831155]
3D-GSは、NeRFベースのニューラルシーン表現と比較して、顕著なレンダリングの忠実さと効率を示した。
シーン表現のためのレベル・オブ・ディーテール分解をサポートするLOD構造型3次元ガウスアプローチを特徴とするOctree-GSを提案する。
論文 参考訳（メタデータ） (2024-03-26T17:39:36Z)
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。