論文の概要: Rethinking 3D Noise: Learning 3D-Aware Video Priors via Optimization-Free Morphological Perturbations

• arxiv url: http://arxiv.org/abs/2609.03657v1
• Date: Thu, 03 Sep 2026 10:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.024324
• Title: Rethinking 3D Noise: Learning 3D-Aware Video Priors via Optimization-Free Morphological Perturbations
• Title（参考訳）: 3Dノイズを再考する:最適化自由な形態的摂動による3Dビデオの事前学習
• Abstract要約: NeRFや3D Gaussian Splattingといった3Dシーンの表現は、スパースビュー設定で深刻なアーティファクトに悩まされる。 空間的整合性を保つ最適化自由正規化器として3次元形態摂動法を提案する。 提案手法は,最先端の3Dアーティファクトファインダよりも平均深度誤差を12.5%低減しつつ,視覚的忠実さを維持している。
• 参考スコア（独自算出の注目度）: 8.600397756762495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D scene representations like NeRF and 3D Gaussian Splatting (3DGS) suffer severe artifacts in sparse-view settings. Recent generative 3D artifact fixers attempt to address this, but rely on paired corrupted and clean renders requiring costly, per-scene reconstructions across varying view configurations. While 2D image augmentations act as instant regularizers, no explicit equivalents exist for 3D representations to preserve spatial consistency across views, an essential property for 3D-aware training. We propose 3D Morphological Perturbations as an optimization-free regularizer that preserves spatial consistency. Leveraging explicit 3DGS, we treat each Gaussian as a fundamental building block - analogous to a 2D pixel - and apply perturbations across its morphological parameter space via scale, rotation, and pruning. Our method eliminates per-scene 3DGS optimization loops from dataset curation while enabling models to learn stronger geometric priors than sparse-view baselines in diagnostic ablations conducted on a lightweight video diffusion sandbox. Scaled to a 14B-parameter video model via ControlNet, our approach maintains visual fidelity while reducing mean depth error by 12.5% over state-of-the-art image-to-image 3D artifact refiners, ultimately boosting downstream robotics policy success rates by up to 8.0% across 3 of 4 manipulation tasks.
• Abstract（参考訳）: NeRFや3D Gaussian Splatting(3DGS)のような3Dシーン表現は、スパースビュー設定で深刻なアーティファクトを損なう。 最近のジェネレーティブな3Dアーティファクトファインダはこの問題に対処しようとするが、様々なビュー構成にまたがって、コストがかかる、シーンごとの再構築を必要とするペアの破損とクリーンなレンダリングに依存している。 2D画像拡張はインスタントレギュレータとして機能するが、ビュー間の空間的一貫性を維持するために3D表現には明確な等価性は存在しない。 空間的整合性を保つ最適化自由正規化器として3次元形態摂動法を提案する。 明示的な3DGSを活用することで、各ガウスを2Dピクセルに類似した基本構成ブロックとして扱い、スケール、回転、プルーニングを通じてその形態パラメータ空間に摂動を適用する。 本手法は, 軽量ビデオ拡散サンドボックスを用いた診断において, スパースビューベースラインよりも厳密な幾何学的事前学習が可能でありながら, データセットのキュレーションから, シーンごとの3DGS最適化ループを除去する。 ControlNetによる14Bパラメータビデオモデルにスケールして、我々のアプローチは平均深度誤差を12.5%削減し、最先端の3Dアーティファクトファインダよりも12.5%低減し、最終的には4つの操作タスクのうち3つでダウンストリームロボティクスポリシーの成功率を最大8.0%向上させる。

関連論文リスト

• Extend3D: Town-Scale 3D Generation [31.052455723067684]
  1枚の画像から3Dシーンを生成するためのトレーニング不要パイプラインであるExtended3Dを提案する。 拡張潜在空間を重なり合うパッチに分割することにより、各パッチにオブジェクト中心の3D生成モデルを適用し、各ステップで結合する。 3次元リファインメントにおける3次元構造の不完全さをノイズとして扱うことにより,低騒音という概念による3次元合成が可能となる。
  論文  参考訳（メタデータ） (2026-03-31T07:55:04Z)
• S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs [53.597239706600455]
  Sparse to Dense lifting (S2D)は、2つの表現をブリッジし、最小限の入力で高品質な3DGS再構成を実現するパイプラインである。 実験により、S2Dは、異なる入力空間下で、新しいビューガイダンスと第1階層のスパースビュー再構成品質を生成する際に、最良の整合性を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-11T15:37:20Z)
• EVolSplat: Efficient Volume-based Gaussian Splatting for Urban View Synthesis [61.1662426227688]
  既存のNeRFおよび3DGSベースの手法は、フォトリアリスティックレンダリングを実現する上で有望な結果を示すが、スローでシーンごとの最適化が必要である。 本稿では,都市景観を対象とした効率的な3次元ガウススプレイティングモデルEVolSplatを紹介する。
  論文  参考訳（メタデータ） (2025-03-26T02:47:27Z)
• GaussRender: Learning 3D Occupancy with Gaussian Rendering [86.89653628311565]
  GaussRenderは、投影的一貫性を強制することによって3D占有学習を改善するモジュールである。 提案手法は,不整合な2次元プロジェクションを生成する3次元構成をペナライズすることにより,より一貫性のある3次元構造を実現する。
  論文  参考訳（メタデータ） (2025-02-07T16:07:51Z)
• Enhancing Single Image to 3D Generation using Gaussian Splatting and Hybrid Diffusion Priors [17.544733016978928]
  単一の画像から3Dオブジェクトを生成するには、野生で撮影された未ポーズのRGB画像から、目に見えない景色の完全な3D形状とテクスチャを推定する必要がある。 3次元オブジェクト生成の最近の進歩は、物体の形状とテクスチャを再構築する技術を導入している。 本稿では, この限界に対応するために, 2次元拡散モデルと3次元拡散モデルとのギャップを埋めることを提案する。
  論文  参考訳（メタデータ） (2024-10-12T10:14:11Z)
• ScalingGaussian: Enhancing 3D Content Creation with Generative Gaussian Splatting [30.99112626706754]
  高品質な3Dアセットの作成は、デジタル遺産、エンターテイメント、ロボット工学の応用において最重要である。 伝統的に、このプロセスはモデリングに熟練した専門家と専門的なソフトウェアを必要とする。 本稿では,3Dテクスチャを効率的に生成する新しい3Dコンテンツ作成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T18:26:01Z)
• GSD: View-Guided Gaussian Splatting Diffusion for 3D Reconstruction [52.04103235260539]
  単一視点からの3次元オブジェクト再構成のためのガウススプティング表現に基づく拡散モデル手法を提案する。 モデルはGS楕円体の集合で表される3Dオブジェクトを生成することを学習する。 最終的な再構成されたオブジェクトは、高品質な3D構造とテクスチャを持ち、任意のビューで効率的にレンダリングできる。
  論文  参考訳（メタデータ） (2024-07-05T03:43:08Z)
• PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting [59.277480452459315]
  本研究では,視覚的忠実度と前景の細部を高い圧縮比で保持する原理的感度プルーニングスコアを提案する。 また,トレーニングパイプラインを変更することなく,事前訓練した任意の3D-GSモデルに適用可能な複数ラウンドプルーファインパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-06-14T17:53:55Z)
• ARTIC3D: Learning Robust Articulated 3D Shapes from Noisy Web Image Collections [71.46546520120162]
  単眼画像から動物体のような3D関節形状を推定することは、本質的に困難である。 本稿では,スパース画像コレクションから各物体の形状を再構築する自己教師型フレームワークARTIC3Dを提案する。 我々は、剛性部分変換の下で、描画された形状とテクスチャを微調整することで、現実的なアニメーションを作成する。
  論文  参考訳（メタデータ） (2023-06-07T17:47:50Z)

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。