論文の概要: Filling the Unseen: Scene Extrapolation via 3D Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2609.13262v1
- Date: Sun, 06 Sep 2026 19:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.15039
- Title: Filling the Unseen: Scene Extrapolation via 3D Gaussian Splatting
- Title（参考訳）: 見えない場所を埋める:3Dガウススプラッティングによるシーン外挿
- Abstract要約: トレーニングビュー内における3次元ガウススプティング再構築は,非観測領域の穴や観測可能な領域のアーティファクトを展示する,アウトオブディストリビュート・ノベルビューに劣化する。
最近の研究は、このタスクを外挿と条件付けとして定式化し、生成モデルで対処しようとするが、外挿の規模と品質は限定的である。
本稿では,コンフリクトフリーの並列外挿を可能にする独立カメラビュー検出機構を備えた,外挿・調停のための総合的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 10.582831709592789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D Gaussian Splatting achieves photorealistic reconstruction within training view distribution, yet it degrades on out-of-distribution novel views, exhibiting holes in unobserved regions and artifacts in observable areas. Recent works formulate this task as extrapolation and interpolation and try to address it with generative models, but remain limited in extrapolation scale and quality. They repeat a generate-reconstruct-shift cycle to progressively build a scene, which introduces accumulated errors with every step conditioning on previous outcomes. In this work, we propose a holistic framework for extrapolation and interpolation. We devise an independent camera view detection mechanism to enable parallel conflict-free extrapolation, circumventing the reliance on the aforementioned error-prone cycle. Building upon this, we design a hierarchical pipeline that extrapolates independent and dependent camera views separately. Additionally, previous methods overlook inconsistency between generated and original images, resulting in compromising well-reconstructed areas. We propose a plug-and-play Quality-Aware Mask (QA-Mask) module, enabling selective utilization of generated data. By calibrating learning weights with pixel-wise rendering quality, it prevents generation-induced degradations on well-constructed areas. Extensive experiments demonstrate the superior performance of our framework, with QA-Mask generalizing to multiple generative reconstruction models.
- Abstract（参考訳）: 3D Gaussian Splattingは、トレーニングビューの分布内で光リアリスティックな再構築を実現するが、非分布の斬新なビューに分解し、観測不可能な領域の穴と観測可能な領域のアーティファクトを示す。
最近の研究は、このタスクを外挿と補間として定式化し、生成モデルで対処しようとするが、外挿の規模と品質は限定的である。
生成-再構成-シフトサイクルを繰り返してシーンを段階的に構築する。
本研究では,外挿と補間のための包括的枠組みを提案する。
我々は、競合のない並列外挿を可能にする独立したカメラビュー検出機構を考案し、上記のエラー発生サイクルに依存することを回避した。
これに基づいて、独立して依存するカメラビューを別々に外挿する階層的なパイプラインを設計する。
さらに、以前の方法では生成画像とオリジナル画像の不整合性を見落とし、よく再構成された領域を妥協させる結果となった。
本稿では,QA-Mask(Quality-Aware Mask)モジュールを提案する。
画素ワイドレンダリング品質で学習重量を校正することにより、よく構築された領域における生成誘起劣化を防止する。
QA-Maskは複数の生成的再構成モデルに一般化する。
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) - Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。
この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。
非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2026-06-22T02:52:22Z) - Sparse-to-Complete: From Sparse Image Captures to Complete 3D Scenes [32.47917212506622]
S2C-3Dは、6枚から8枚までの高忠実で完全なシーン再構築のための新しいスパースビュー3D再構成フレームワークである。
本フレームワークは,シーン固有の画像復元のための特殊拡散モデル,トレーニング不要なビューコンディスタンス条件付きサンプリングプロセス,カメラ軌道計画スキームの3つのコンポーネントを特徴とする。
論文 参考訳（メタデータ） (2026-05-07T04:41:30Z) - 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) - Complete Gaussian Splats from a Single Image with Denoising Diffusion Models [24.95877981068105]
本稿では,1枚の画像のみからガウススプラッターを用いて完全な3次元シーンを再構成する潜時拡散モデルを提案する。
提案手法は,高画質な360度レンダリングのための閉塞面を完遂する機能を備えた忠実な再構成と多種多様なサンプルを生成する。
論文 参考訳（メタデータ） (2025-08-29T11:55:47Z) - DeOcc-1-to-3: 3D De-Occlusion from a Single Image via Self-Supervised Multi-View Diffusion [50.90541069907167]
閉塞型マルチビュー生成のためのエンドツーエンドフレームワークであるDeOcc-1-to-3を提案する。
私たちの自己教師型トレーニングパイプラインは、隠蔽されたイメージペアと擬似地上構造ビューを活用して、モデル構造を意識した補完とビュー整合性を教える。
論文 参考訳（メタデータ） (2025-06-26T17:58:26Z) - Uncertainty-Aware Diffusion Guided Refinement of 3D Scenes [39.44244142263019]
1枚の画像から3Dシーンを再構築することは、問題の本質が過小評価されているため、基本的に不適切な作業である。
本研究では,既存の画像から3D画像へのフィードフォワードネットワークにおいて,これらの制約に対処する。
入力画像の視界を超えた情報不足による性能低下を軽減するため、事前学習された潜伏映像拡散モデルを用いて、強い生成前を活用できる。
論文 参考訳（メタデータ） (2025-03-19T23:14:27Z) - FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。
当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。
包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
論文 参考訳（メタデータ） (2024-12-12T18:52:53Z) - Gaussian Scenes: Pose-Free Sparse-View Scene Reconstruction using Depth-Enhanced Diffusion Priors [8.440211083233528]
本研究では2次元画像の粗い集合から360度シーンのポーズなし(カメラパラメータなしで)再構成のための生成的アプローチを提案する。
画像から画像への生成モデルを提案し、3Dシーンの新たな画像レンダリングと深度マップにおいて、欠落した詳細を描き、アーティファクトを除去する。
論文 参考訳（メタデータ） (2024-11-24T19:34:58Z) - 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) - Cameras as Rays: Pose Estimation via Ray Diffusion [54.098613859015856]
カメラのポーズを推定することは3D再構成の基本的な課題であり、まばらにサンプリングされたビューを考えると依然として困難である。
本稿では,カメラを光束として扱うカメラポーズの分散表現を提案する。
提案手法は回帰法と拡散法の両方で,CO3Dのカメラポーズ推定における最先端性能を示す。
論文 参考訳（メタデータ） (2024-02-22T18:59:56Z)
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。