論文の概要: InceptionGS: Generative Bootstrapping for Large-Scale Gaussian Splatting under Unstructured View Sampling

• arxiv url: http://arxiv.org/abs/2609.02747v1
• Date: Wed, 02 Sep 2026 15:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.456534
• Title: InceptionGS: Generative Bootstrapping for Large-Scale Gaussian Splatting under Unstructured View Sampling
• Title（参考訳）: インセプションGS:非構造化ビューサンプリングによる大規模ガウス平滑化のための生成ブートストラップ
• Abstract要約: InceptionGSを提案する。これはガウスのスプラッティングをブートストラップし、再構築と生成の微妙なバランスをとる。 インセプションGSは、視力不足による問題領域を再考し、修復し、品質を他の場所で保存する。 実世界の大規模シーンにおける実験は、我々のアプローチの優位性と幅広い適用性を示している。
• 参考スコア（独自算出の注目度）: 15.545994699853813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving truly immersive large-scale scene digitization necessitates consistent and visually pleasing rendering across all possible viewing perspectives. However, collecting multi-view images covering every fine detail of a large-scale scene is prohibitive due to scene complexity, capture cost, negligence, or accessibility constraints. As a result, the sampled views tend to be highly unstructured -- the majority of the scene is well covered yet certain regions inevitably lack sufficient observations. Existing reconstruction based methods are vulnerable to view scarcity while generation based approaches suffer from generalization, controllability, and 3D consistency issues. To address this challenge, we propose InceptionGS, which bootstraps Gaussian splatting by subtly balancing reconstruction and generation. Starting from an initial Gaussian splatting, InceptionGS reasonably rethinks and repairs problematic regions caused by view scarcity while preserving the quality elsewhere, by softly incorporating scene- and view-adaptive generative priors. Extensive experiments on real-world large-scale scenes demonstrate the superiority and broad applicability of our approach in handling unstructured imagery and boosting high-fidelity Gaussian splatting. Please refer to the supplementary video for better visual demonstrations.
• Abstract（参考訳）: 真に没入的な大規模なシーンのデジタル化を実現するには、あらゆる可能な視点で一貫した視覚的なレンダリングが必要である。 しかし、大規模シーンの細部を網羅する多視点画像の収集は、シーンの複雑さ、撮影コスト、無視、アクセシビリティ制約により禁止されている。 その結果、サンプルビューは非常に構造化されていない傾向があり、シーンの大部分は十分にカバーされているが、必然的に十分な観察が欠如している。 既存の再構築手法は, 一般化, 制御性, 3次元整合性の問題に悩まされているが, 空白を見るには脆弱である。 この課題に対処するために,再建と生成の微妙なバランスをとることでガウススプラッティングをブートストラップするInceptionGSを提案する。 InceptionGSは初期のガウシアンスプラッティングから始まり、シーンとビュー順応的な生成前をソフトに組み込むことで、視力不足による問題領域を合理的に再考し、修復する。 実世界の大規模シーンにおける大規模な実験は、非構造化画像の処理と高忠実なガウススプラッティングの促進における我々のアプローチの優位性と幅広い適用性を示している。 より優れた視覚的なデモンストレーションのために、補足ビデオを参照してください。

関連論文リスト

• 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)
• SplatWeaver: Learning to Allocate Gaussian Primitives for Generalizable Novel View Synthesis [60.075770066276505]
  一般化可能な新しいビュー合成は、シーンごとの最適化を必要とせずに、未分類の入力画像から見えないビューを描画することを目的としている。 3次元ガウススプラッティングに基づく最近のフィードフォワードアプローチは、有望な効率とレンダリング品質を実現している。 SplatWeaverは、フィードフォワード方式で異なるリージョンにガウスプリミティブを動的に割り当てることができる。
  論文  参考訳（メタデータ） (2026-05-08T05:51:34Z)
• Breaking the Vicious Cycle: Coherent 3D Gaussian Splatting from Sparse and Motion-Blurred Views [40.70901994944635]
  スパース画像とぼやけた画像から高忠実度3D再構成を行うフレームワークであるCoherentGSを紹介する。 我々の重要な洞察は、これらの複合劣化に二元的戦略を用いて対処することである。 CoherentGSは既存のメソッドを著しく上回り、この挑戦的なタスクのために新しい最先端のタスクを設定している。
  論文  参考訳（メタデータ） (2025-12-11T07:36:35Z)
• OracleGS: Grounding Generative Priors for Sparse-View Gaussian Splatting [78.70702961852119]
  OracleGSは、Gaussian Splattingのスパースビューのために、生成的完全性と回帰的忠実性を調整している。 提案手法は,多視点幾何学的証拠に先立って強力な生成条件を定め,幻覚的アーティファクトをフィルタリングし,非拘束領域における可塑性完備を保存している。
  論文  参考訳（メタデータ） (2025-09-27T11:19:32Z)
• MS-GS: Multi-Appearance Sparse-View 3D Gaussian Splatting in the Wild [47.52462219920857]
  野生の写真コレクションは、しばしば限られた量の画像を含んでおり、複数の外観を示す。 3DGS を用いたスパースビューシナリオにおけるマルチアジュアンス機能を備えた新しいフレームワーク MS-GS を提案する。 我々は,MS-GSが様々な難解な視界とマルチアジュアンス条件下でフォトリアリスティックレンダリングを実現することを実証した。
  論文  参考訳（メタデータ） (2025-09-19T03:06:49Z)
• 3D Gaussian Splatting for Fine-Detailed Surface Reconstruction in Large-Scale Scene [9.344622188779308]
  本稿では,大規模な表面を細部まで細部まで再現し,フルサイズの画像で観察する手法を提案する。 粗大なモデルを効率的に再構築するための粗大な戦略を導入し, 適応的なシーン分割とサブシーン精錬を行った。 無人航空機で撮影された公開データセット GauU-Scene V2 で実験が行われた。
  論文  参考訳（メタデータ） (2025-06-21T08:41:28Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• BloomScene: Lightweight Structured 3D Gaussian Splatting for Crossmodal Scene Generation [54.12899218104669]
  3Dシーンは非常に複雑な構造を持ち、出力が密度が高く、一貫性があり、必要な全ての構造を含むことを保証する必要がある。 現在の3Dシーン生成法は、事前訓練されたテキスト・画像拡散モデルと単眼深度推定器に依存している。 クロスモーダルシーン生成のための軽量な3次元ガウススプラッティングであるBloomSceneを提案する。
  論文  参考訳（メタデータ） (2025-01-15T11:33:34Z)
• 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)
• GenS: Generalizable Neural Surface Reconstruction from Multi-View Images [20.184657468900852]
  GenSは、エンドツーエンドの一般化可能なニューラルサーフェス再構成モデルである。 我々の表現はより強力であり、グローバルな滑らかさを維持しながら高周波の詳細を回復することができる。 人気のあるベンチマーク実験により、我々のモデルは新たなシーンにうまく一般化できることが示された。
  論文  参考訳（メタデータ） (2024-06-04T17:13:10Z)

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。